4. 图像预处理：高斯滤波、中值滤波、图像二值化、形态学操作

各位同学，欢迎来到实战环节的核心基础课。图像预处理，说白了就是给原始图像“洗个澡、化个妆”，让它变成我们算法能轻松读懂的样子。我做了这么多年视觉项目，可以负责任地告诉你：预处理做得好，后面识别定位就成功了一半。

咱们的套色标记，在真实拍摄环境下，免不了有噪声、光照不均、背景干扰。直接拿原始图去识别？那结果肯定惨不忍睹。所以，这一章我们就把预处理四板斧练熟：高斯滤波、中值滤波、图像二值化、形态学操作。

4.1 高斯滤波：温柔的模糊

高斯滤波，我习惯叫它“温柔的模糊”。它不像均值滤波那么粗暴，而是根据高斯分布给中心像素更高的权重，边缘像素权重低。这样既能平滑噪声，又能尽量保留边缘细节。

为什么会这样？因为真实世界的噪声往往服从高斯分布，用高斯核去卷积，正好是“对症下药”。

我在项目中遇到过这样的情况：套色标记表面有细微的纹理噪声，用均值滤波把标记边缘也搞模糊了，后来换成高斯滤波，边缘清晰度明显提升。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('marker.jpg')

# 高斯滤波，核大小5x5，sigmaX=1.0
gaussian = cv2.GaussianBlur(img, (5, 5), 1.0)

# 显示结果
cv2.imshow('Gaussian', gaussian)
cv2.waitKey(0)

4.2 中值滤波：椒盐噪声的克星

中值滤波，说白了就是把窗口内的像素排序，取中间值代替中心像素。这招对付椒盐噪声（黑白点噪声）特别管用。

你想想看，椒盐噪声是极端值（0或255），排序后肯定在两端，中间值大概率是正常像素。所以中值滤波能完美去除椒盐噪声，同时不模糊边缘。

我记得有一次做工业检测，相机传感器有坏点，图像上全是白点。用高斯滤波怎么调都没用，换成中值滤波，世界清净了。

# 中值滤波，核大小5
median = cv2.medianBlur(img, 5)

# 对比一下效果
cv2.imshow('Median', median)

4.3 图像二值化：黑白分明

二值化，就是把灰度图变成只有黑（0）和白（255）的图像。这一步是为了把套色标记从背景中分离出来。

最常用的是大津法（OTSU），它能自动计算最佳阈值。我个人的习惯是：先用OTSU试试，效果不好再手动调阈值。

# 先转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯滤波后再二值化，效果更好
blurred = cv2.GaussianBlur(gray, (5, 5), 1.0)

# OTSU二值化
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 显示二值图
cv2.imshow('Binary', binary)

4.4 形态学操作：腐蚀与膨胀

二值化之后，图像上往往还有小孔洞、毛刺、孤立点。这时候就需要形态学操作来“修形”了。

• 腐蚀：让白色区域缩小，消除细小的白色噪点。
• 膨胀：让白色区域扩大，填充小孔洞，连接断裂区域。
• 开运算：先腐蚀后膨胀，用于消除小物体、平滑边界。
• 闭运算：先膨胀后腐蚀，用于填充小孔洞、连接邻近物体。

对于套色标记，我一般先用开运算去掉背景上的小噪点，再用闭运算填充标记内部的孔洞。

# 定义结构元素，3x3矩形
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 腐蚀
eroded = cv2.erode(binary, kernel, iterations=1)

# 膨胀
dilated = cv2.dilate(binary, kernel, iterations=1)

# 开运算
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 闭运算
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

4.5 完整预处理流程

好了，我们把四步串起来，形成一个完整的预处理管线。这也是我在实际项目中反复验证过的流程。

def preprocess(img):
    # 1. 高斯滤波去噪
    blurred = cv2.GaussianBlur(img, (5, 5), 1.0)
    
    # 2. 转灰度
    gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
    
    # 3. OTSU二值化
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 4. 形态学开运算 + 闭运算
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=1)
    cleaned = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, kernel, iterations=1)
    
    return cleaned

# 调用
result = preprocess(img)
cv2.imshow('Final', result)

步骤	作用	参数建议
高斯滤波	去除高斯噪声	核5x5, sigma=1.0
中值滤波	去除椒盐噪声	核3~5
二值化	前景背景分离	OTSU自动阈值
形态学操作	修形、去噪点、填孔洞	3x3矩形核, 迭代1~2次

嗯，到这里，图像预处理的四板斧就讲完了。你可能会问：为什么先高斯再中值？其实顺序可以灵活，但我的经验是：高斯滤波处理全局噪声，中值滤波处理孤立噪点，先全局后局部，效果更稳定。

下一章，我们就要用预处理后的图像去做标记定位了。到时候你会发现，前面预处理做得越干净，后面定位就越轻松。

---