4. 图像预处理：图像灰度化、直方图均衡化、高斯滤波、中值滤波、图像增强

各位同学，欢迎来到第四讲。今天咱们聊聊图像预处理。说白了，这就是给机器视觉系统“洗把脸、化个妆”。

我做了这么多年机器视觉，发现一个规律：项目成败，七分在预处理，三分在算法。你想想看，一张脏兮兮、光照不均的图片，再牛的深度学习模型也白搭。所以，这一章的内容，我建议你反复看，最好能形成肌肉记忆。

4.1 图像灰度化：从彩色到单色

为什么要灰度化？说白了，就是降维。彩色图像有三个通道（R、G、B），信息量太大，处理起来慢。灰度图只有一个通道，计算量直接降到三分之一。

常用的方法有三种：

• 最大值法：取R、G、B中最大的那个值。效果偏亮，细节容易丢失。
• 平均值法：取三个通道的平均值。效果柔和，但对比度不够。
• 加权平均法：按人眼敏感度加权，公式是 Gray = 0.299*R + 0.587*G + 0.114*B。这是工业界最常用的。

我个人习惯用加权平均法。记得有一次做PCB板缺陷检测，客户给的彩色图像偏暗，用平均值法灰度化后，焊点几乎看不清。换成加权平均法，问题立刻解决。嗯，这里要注意：加权系数不是死的，如果图像偏红，可以适当调高R的权重。

// C++ 示例：加权平均灰度化
cv::Mat gray;
cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);
// 或者手动实现
for (int i = 0; i < src.rows; i++) {
    for (int j = 0; j < src.cols; j++) {
        cv::Vec3b pixel = src.at<cv::Vec3b>(i, j);
        uchar gray_val = 0.299 * pixel[2] + 0.587 * pixel[1] + 0.114 * pixel[0];
        gray.at<uchar>(i, j) = gray_val;
    }
}

4.2 直方图均衡化：让对比度“活”起来

直方图均衡化，说白了就是把图像的灰度分布“拉平”。你想想看，如果一张图大部分像素都集中在暗部，那细节就全丢了。均衡化就是把这些像素“摊开”到整个灰度范围。

我遇到过最典型的案例：一个仓库的监控摄像头，因为逆光，货物标签根本看不清。用了直方图均衡化后，标签上的字清晰可见。效果立竿见影。

// C++ 示例：直方图均衡化
cv::Mat equalized;
cv::equalizeHist(gray, equalized);

4.3 高斯滤波：温柔的降噪

高斯滤波，我习惯叫它“温柔的模糊”。它用高斯核去卷积图像，每个像素的权重由距离中心点的距离决定。离得近，权重高；离得远，权重低。这样既能平滑噪声，又能保留边缘。

为什么不用均值滤波？均值滤波太“粗暴”了，会把边缘也模糊掉。高斯滤波更符合自然规律——你想想看，自然界的光斑、模糊，基本都是高斯分布的。

我曾经在检测手机屏幕划痕时，用了均值滤波，结果划痕被模糊得几乎看不见。换成高斯滤波，划痕清晰保留，噪声也被去掉了。嗯，这里要注意：高斯核的大小和标准差σ要匹配。核越大，σ越大，模糊越强。

// C++ 示例：高斯滤波
cv::Mat gaussian;
cv::GaussianBlur(gray, gaussian, cv::Size(5, 5), 1.5);

4.4 中值滤波：专治“椒盐噪声”

中值滤波，说白了就是“取中间值”。它把窗口内的像素排序，取中间那个值作为输出。这招对付椒盐噪声（黑白点噪声）特别有效。

为什么？因为椒盐噪声的像素值要么特别大（白点），要么特别小（黑点）。排序后，它们会被挤到两端，中间值一定是正常的像素。所以中值滤波能完美去除椒盐噪声，同时保留边缘。

我记得有一次做工业零件检测，图像上全是黑白噪点，用高斯滤波怎么调都不行。换成中值滤波，一次搞定。从此以后，只要看到椒盐噪声，我第一个想到的就是中值滤波。

// C++ 示例：中值滤波
cv::Mat median;
cv::medianBlur(gray, median, 5); // 核大小为5x5

4.5 图像增强：让特征“跳”出来

图像增强，说白了就是“扬长避短”。把有用的特征放大，把没用的信息压制。常用的方法有：

• 伽马校正：调整图像的亮度曲线。γ < 1 时，暗部变亮；γ > 1 时，亮部变暗。
• 拉普拉斯增强：通过二阶微分，强化边缘和细节。
• 锐化：用高通滤波器，让边缘更清晰。

我个人最常用的是伽马校正。为什么？因为它简单、直观、效果好。你想想看，一张曝光不足的图像，用γ=0.5，暗部细节立刻显现。一张过曝的图像，用γ=2.0，亮部细节也能拉回来。

有一次做食品包装检测，包装上的生产日期印得很浅，肉眼都看不清。我用伽马校正把暗部提亮，再配合拉普拉斯增强，日期清晰可见。嗯，这里要注意：增强过度会引入噪声，所以增强后通常要加一点滤波。

// C++ 示例：伽马校正
cv::Mat gamma_corrected;
cv::Mat lookUpTable(1, 256, CV_8U);
uchar* p = lookUpTable.ptr();
double gamma = 0.5;
for (int i = 0; i < 256; i++) {
    p[i] = cv::saturate_cast<uchar>(pow(i / 255.0, gamma) * 255.0);
}
cv::LUT(gray, lookUpTable, gamma_corrected);

4.6 知识体系总览

下面这张图，是我自己总结的预处理流程。你照着这个顺序走，基本不会出错。

4.7 实战建议

最后，给你几条实战建议：

1. 先看噪声类型，再选滤波器。椒盐噪声用中值滤波，高斯噪声用高斯滤波，混合噪声用双边滤波。
2. 直方图均衡化不是万能的。如果图像本身对比度很好，用了反而会失真。先看直方图分布，再决定用不用。
3. 预处理要“轻量”。不要过度处理，否则会丢失原始信息。我一般控制在3步以内：灰度化 → 滤波 → 增强。
4. 参数要调，但别死磕。我见过有人调高斯滤波的σ调了一整天。其实差不多就行，后续算法会弥补。