第4章图像预处理

4、图像预处理：灰度化、滤波去噪、直方图均衡化

各位工程师朋友，咱们接着聊。上一章我们把相机标定搞定了，拿到了内外参数。但相机拍回来的原始图像，说实话，直接拿去用往往不行。为什么？因为工业现场太“脏”了——光照不均、传感器噪声、反光干扰……这些问题不处理，后面的特征提取和定位就会一塌糊涂。

我个人习惯，拿到图像的第一件事，就是做预处理。说白了，就是把原始图像“洗”干净，让算法能看清它该看的东西。今天咱们就讲三个最基础、也最常用的预处理操作：灰度化、滤波去噪、直方图均衡化。

核心观点：预处理不是可选项，是必选项。你花在预处理上的时间，会在后续算法调试中十倍地省回来。

彩色图像每个像素有RGB三个通道，数据量是灰度图的三倍。但在视觉引导抓取中，我们关心的是物体的轮廓、边缘、位置，而不是它的颜色。所以，第一步就是把彩色图转成灰度图。

灰度化的公式其实很简单：

Gray = 0.299 * R + 0.587 * G + 0.114 * B

这个公式不是随便写的。人眼对绿色最敏感，对蓝色最不敏感，所以权重不一样。我在项目中遇到过有人直接用平均值 (R+G+B)/3，结果图像对比度明显下降，边缘检测效果差了很多。嗯，这里要注意，别图省事用平均法。

OpenCV里一行代码搞定：

import cv2
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

小技巧：如果你的应用场景里颜色信息确实有用（比如区分不同颜色的工件），可以保留彩色通道做后续处理。但大多数抓取场景，灰度化就够了。

灰度化之后，图像里往往还有噪声。工业相机在弱光环境下，或者传输线路有干扰时，图像上会出现随机亮暗的点——这就是噪声。噪声会严重影响边缘检测和特征提取。

滤波去噪，说白了就是用周围像素的信息来“修复”当前像素。常用的有三种：

我个人最常用的是高斯滤波和中值滤波。为什么？均值滤波虽然快，但边缘糊得太厉害。你想想看，抓取任务里边缘就是命根子，边缘没了还抓什么？

我曾经在一个项目里遇到强光反射导致的椒盐噪声，用高斯滤波怎么调参数都去不干净。后来换成中值滤波，效果立竿见影。所以，选滤波方法要看噪声类型，别盲目套用。

代码示例：

# 高斯滤波
gaussian = cv2.GaussianBlur(gray, (5, 5), 1.5)

# 中值滤波
median = cv2.medianBlur(gray, 5)

注意：滤波核大小（比如5x5）越大，去噪越强，但细节丢失也越多。我建议从3x3开始试，不行再加大。别一上来就用9x9，图像会变成“油画”效果。

滤波去噪之后，图像干净了，但可能整体偏暗或者对比度不够。比如工件放在阴影里，或者背景太亮、工件太暗。这时候就需要直方图均衡化。

直方图均衡化的原理，说白了就是把像素值的分布“拉平”。原本集中在暗区的像素，会被映射到整个0-255范围，让暗部细节显现出来。

我举个例子：一张图里大部分像素灰度值都在30-50之间，整张图看起来黑乎乎一片。均衡化之后，这些像素会被拉伸到0-200的范围，暗部细节就出来了。

OpenCV实现：

# 全局直方图均衡化
equalized = cv2.equalizeHist(gray)

但这里有个坑——全局均衡化会增强噪声。你想想看，原本噪声在暗区不明显，一均衡化，噪声也被放大了。所以，我建议先滤波，再均衡化。顺序别搞反。

另外，如果图像局部光照不均（比如一边亮一边暗），全局均衡化效果不好。这时候可以用CLAHE（限制对比度自适应直方图均衡化）：

# CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(gray)

经验之谈：在抓取场景中，如果工件表面有反光，用CLAHE比全局均衡化好得多。它能避免反光区域过曝，同时保留暗部细节。

好了，三个操作都讲完了。在实际项目中，它们的执行顺序一般是：

当然，这不是死规矩。有时候场景光照很好，噪声也小，均衡化可以跳过。有时候噪声特别严重，可以滤波两次。灵活处理，别死板。

下面这张图是我自己画的预处理流程，帮你理清思路：

嗯，这就是预处理的核心内容。别小看这三步，它们决定了后续所有算法的成败。我在调试视觉系统时，80%的时间都花在预处理上——参数调好了，后面的特征提取和定位就是水到渠成的事。

记住一句话：预处理做得好，抓取没烦恼。