4. 图像处理基础（下）：图像滤波、边缘检测、二值化与形态学操作、直方图均衡化

好，咱们接着往下聊。上一节我们把图像处理的基础概念和像素操作过了一遍，这一节要上点硬货了。说白了，这些技术就是人脸识别系统的「预处理流水线」——图像进模型之前，得先经过这几道工序。

我个人习惯把这一节的内容分成四大块：滤波去噪、边缘检测、二值化与形态学、直方图均衡化。每一块在实际项目中都踩过坑，咱们一个一个说。

4.1 图像滤波：让图像更干净

滤波是干嘛的？说白了就是去噪。摄像头采集的图像，受光照、传感器影响，总会有噪声。噪声不除掉，后续的边缘检测、人脸定位都会受影响。

4.1.1 均值滤波

均值滤波是最简单的。它用一个窗口（比如3x3），把窗口内所有像素的平均值赋给中心点。嗯，这里要注意：它会把边缘也模糊掉。

我在项目中遇到过一个问题：用均值滤波去噪后，人脸轮廓变模糊了，导致后续的 landmark 检测精度下降。所以均值滤波适合噪声均匀的场景，比如高斯噪声，但对椒盐噪声效果一般。

import cv2
import numpy as np

img = cv2.imread('face.jpg')
# 均值滤波，核大小为5x5
blurred = cv2.blur(img, (5, 5))

4.1.2 高斯滤波

高斯滤波比均值滤波更「聪明」。它根据高斯分布给窗口内的像素分配权重——离中心越近，权重越大。这样能更好地保留边缘信息。

我建议在人脸识别预处理中优先用高斯滤波。它去噪的同时，对边缘的破坏比均值滤波小得多。你想想看，人脸的眼睛、鼻子这些关键特征，边缘信息多宝贵啊。

# 高斯滤波，核大小5x5，标准差1.5
gaussian = cv2.GaussianBlur(img, (5, 5), 1.5)
我的经验：高斯滤波的核大小和标准差要配合着调。核越大，模糊越强；标准差越大，权重分布越平缓。一般核大小取奇数，3、5、7比较常用。

4.1.3 中值滤波

中值滤波就更有意思了。它取窗口内所有像素的中位数作为输出值。为什么说它特别？它对椒盐噪声（就是图像上那些黑白点）有奇效。

我曾经在一个安防项目中，摄像头因为传输线路干扰，图像上全是椒盐噪声。均值滤波和高斯滤波都试了，效果不理想。换成中值滤波后，噪声几乎全消了。这就是实战中积累的经验。

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

4.2 边缘检测：Canny 算法

边缘检测是人脸识别中非常关键的一步。人脸的五官轮廓、脸部边界，本质上都是边缘信息。Canny 算法是业界最常用的边缘检测方法，没有之一。

Canny 的流程其实不复杂：先高斯滤波去噪，然后计算梯度幅值和方向，接着做非极大值抑制（把不是边缘的像素去掉），最后用双阈值检测连接边缘。

这里有个坑：双阈值的设置。阈值设高了，边缘断断续续；设低了，噪声也被当成边缘。我一般用 cv2.Canny(img, 50, 150) 作为起点，然后根据实际效果微调。

# Canny 边缘检测
edges = cv2.Canny(gaussian, 50, 150)
注意：Canny 的输入图像最好是灰度图。如果是彩色图，先转灰度再处理。另外，低阈值和高阈值的比例一般在1:2到1:3之间。

4.3 图像二值化与形态学操作

4.3.1 图像二值化

二值化就是把图像变成只有黑和白。说白了，就是设定一个阈值，像素值大于阈值的变成255（白），小于的变成0（黑）。

最简单的就是全局阈值：

# 全局阈值二值化
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

但实际项目中，光照不均匀是常态。全局阈值在光照暗的地方会把细节全丢掉。这时候就要用自适应阈值：

# 自适应阈值，根据局部区域计算阈值
adaptive = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                 cv2.THRESH_BINARY, 11, 2)

我建议在人脸相关的二值化任务中，优先尝试自适应阈值。它比全局阈值鲁棒得多。

4.3.2 形态学操作：腐蚀与膨胀

二值化之后，图像上经常会有一些小白点（噪声）或者断裂的线条。形态学操作就是用来处理这些问题的。

腐蚀：让白色区域「瘦」一圈。可以去掉小的白点噪声。

膨胀：让白色区域「胖」一圈。可以连接断裂的线条。

我经常把它们组合使用：先腐蚀去噪，再膨胀恢复。这叫「开运算」。反过来先膨胀再腐蚀叫「闭运算」，用来填充小孔。

kernel = np.ones((3,3), np.uint8)

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

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

# 开运算：先腐蚀后膨胀
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 闭运算：先膨胀后腐蚀
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
实战技巧：在人脸识别中，我常用开运算去掉眉毛、头发等细小的噪声区域，再用闭运算填充眼睛、嘴巴等区域的断裂。核大小一般取3x3或5x5，迭代次数不要超过2次，否则会丢失细节。

4.4 直方图均衡化

直方图均衡化是提升图像对比度的利器。你想想看，在光线不足或者逆光环境下，人脸图像往往偏暗，细节看不清。直方图均衡化可以把像素值的分布「拉伸」开，让暗的地方变亮，亮的地方更均匀。

它的原理不复杂：统计每个灰度级的像素数量，然后重新映射，让像素分布更均匀。OpenCV 里一行代码就能搞定：

# 直方图均衡化（输入必须是灰度图）
equalized = cv2.equalizeHist(gray)

但这里有个问题：全局直方图均衡化会放大噪声。尤其是在人脸图像中，皮肤区域的噪声会被放大，看起来不自然。

我推荐用 CLAHE（限制对比度自适应直方图均衡化）。它把图像分成小块，每个小块单独做均衡化，并且限制对比度的放大程度。效果比全局均衡化好得多。

# CLAHE 直方图均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(gray)
我的习惯：在人脸识别预处理中，我一般先用 CLAHE 提升对比度，再做高斯滤波去噪。顺序不能反——先均衡化再滤波，可以避免滤波把增强后的细节又模糊掉。

4.5 综合实战：人脸预处理流水线

最后，我把这些技术串起来，给一个实际的人脸预处理流程。这个流程我在多个项目中验证过，效果稳定。

def preprocess_face(img):
    # 1. 转灰度
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 2. CLAHE 增强对比度
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    enhanced = clahe.apply(gray)
    
    # 3. 高斯滤波去噪
    blurred = cv2.GaussianBlur(enhanced, (3, 3), 1.0)
    
    # 4. 可选：边缘检测（用于特征提取）
    edges = cv2.Canny(blurred, 50, 150)
    
    return blurred, edges

嗯，这一节的内容就到这里。图像处理是计算机视觉的基石，这些操作虽然基础，但用好了能大幅提升人脸识别系统的鲁棒性。下一节我们会进入更核心的内容——特征提取与人脸检测算法。

← 上一章 📖 返回目录 下一章 →