3、图像预处理技术：高斯滤波、中值滤波、形态学操作（腐蚀与膨胀）
各位同学，欢迎来到第三章。上一章我们聊了怎么把视频帧抓出来，但说实话，摄像头直接拍出来的画面，往往「脏」得很。噪点、光线不均、小抖动……这些乱七八糟的东西，会直接搞崩你的运动检测算法。
所以，在正式做运动分析之前，我们必须先做一件事——图像预处理。说白了，就是把图像「洗干净」，让后面的算法能看清重点。
我个人习惯把预处理分成两大块：滤波去噪和形态学修形。今天我们就一个一个来啃。
3.1 为什么要滤波？
你想想看，摄像头传感器在弱光下，每个像素点都会有点随机波动。这些波动在画面上就是一个个小亮点或小暗点，我们叫它「椒盐噪声」或「高斯噪声」。
如果不处理，运动检测会把每个噪点都当成「运动目标」。结果就是——满屏都在闪，根本没法用。
所以，滤波的目的很简单：保留图像的主要结构，去掉那些没用的随机波动。
3.2 高斯滤波：温柔的模糊
高斯滤波，是我在项目中用得最多的滤波器。它的原理其实很直观：用一个「权重模板」去扫过每个像素，中心点权重最大，越往边缘权重越小。最后取加权平均。
为什么用高斯？因为自然界很多噪声都服从高斯分布。说白了，用高斯滤波去对付高斯噪声，就是「用魔法打败魔法」。
我在项目中遇到过一个问题：用5x5的高斯核去处理一个运动模糊的视频，结果运动目标边缘全糊了，检测框飘得厉害。后来我把核缩小到3x3，sigma设成0.5，效果立马好了很多。
嗯，这里要注意：高斯滤波不是越大越好。要根据你的目标大小来调。目标小，核就得小。
import cv2
# 读取图像
img = cv2.imread('frame.jpg')
# 高斯滤波，核大小5x5，标准差1.5
blurred = cv2.GaussianBlur(img, (5, 5), 1.5)
# 显示结果
cv2.imshow('Gaussian Blur', blurred)
cv2.waitKey(0)
3.3 中值滤波：专治「椒盐噪声」
中值滤波的思路更暴力——它把窗口内的所有像素排序，取中间那个值作为输出。
为什么会有这种操作？因为椒盐噪声（就是那种黑白点）是极端值。排序后，极端值要么在最前面，要么在最后面，中间值大概率是正常像素。所以中值滤波去椒盐噪声，效果一绝。
我曾经在一个工厂质检项目里，摄像头旁边有电机干扰，画面全是黑白闪烁点。高斯滤波怎么调都去不干净，换成中值滤波，3x3的核，一次搞定。
# 中值滤波，核大小5
median = cv2.medianBlur(img, 5)
cv2.imshow('Median Filter', median)
cv2.waitKey(0)
3.4 高斯 vs 中值：怎么选？
很多新手会问：到底用哪个？我一般这样判断：
- 噪声是均匀分布的细小颗粒（比如弱光下的彩色噪点）→ 用高斯滤波
- 噪声是黑白点、孤立亮点（比如传感器坏点、电磁干扰）→ 用中值滤波
- 既要降噪又要保留边缘（比如运动目标边缘清晰）→ 优先考虑中值滤波
当然，实际项目中我经常两个都用：先中值去椒盐，再高斯平滑一下。效果往往比单一滤波好。
3.5 形态学操作：腐蚀与膨胀
滤波做完，图像干净了。但运动检测出来的前景区域，往往还是「破破烂烂」的——有空洞、有毛刺、有孤立的小点。
这时候就需要形态学操作上场了。说白了，就是用数学形态学的方法，去修整二值图像的形状。
3.5.1 腐蚀：让白色区域「瘦一圈」
腐蚀的原理很简单：用一个结构元素（比如3x3的矩形）去扫图像。只有结构元素完全覆盖在白色区域时，中心点才保留为白色。否则变成黑色。
结果就是：白色区域缩小一圈，细小的白色噪点被消除，两个靠得很近的白色区域会被分开。
我记得有一次做行人检测，背景里有树叶晃动，腐蚀操作直接把那些小树叶噪点全干掉了，效果立竿见影。
import cv2
import numpy as np
# 假设我们有一个二值图像
binary = cv2.imread('mask.jpg', 0)
# 定义结构元素：3x3矩形
kernel = np.ones((3, 3), np.uint8)
# 腐蚀
eroded = cv2.erode(binary, kernel, iterations=1)
cv2.imshow('Eroded', eroded)
cv2.waitKey(0)
3.5.2 膨胀：让白色区域「胖一圈」
膨胀和腐蚀正好相反。只要结构元素覆盖的区域里有一个白色像素，中心点就变成白色。
结果：白色区域扩大一圈，空洞被填充，断裂的区域被连接起来。
我一般把膨胀用在腐蚀之后。先腐蚀去掉小噪点，再膨胀把目标区域恢复回来。这个组合操作叫「开运算」。反过来，先膨胀再腐蚀叫「闭运算」，用来填充空洞。
# 膨胀
dilated = cv2.dilate(binary, kernel, iterations=1)
cv2.imshow('Dilated', dilated)
cv2.waitKey(0)
3.6 开运算与闭运算：实战组合拳
在实际的运动检测流程中，我很少单独用腐蚀或膨胀。一般都是组合使用：
| 操作 | 顺序 | 效果 | 适用场景 |
|---|---|---|---|
| 开运算 | 先腐蚀 → 后膨胀 | 去除小噪点，断开粘连 | 背景有细小干扰（树叶、灯光闪烁） |
| 闭运算 | 先膨胀 → 后腐蚀 | 填充小空洞，连接断裂 | 目标内部有空洞（如行人身体区域） |
# 开运算
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
# 闭运算
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
3.7 预处理流程总结
好了，我们把今天的内容串起来。一个典型的运动检测预处理流程，我一般是这么做的：
- 读取帧 → 转灰度（减少计算量）
- 中值滤波（3x3或5x5）→ 去椒盐噪声
- 高斯滤波（3x3，sigma=1.0）→ 平滑均匀噪声
- 二值化（比如背景减除法得到前景掩码）
- 开运算（3x3核，1-2次）→ 去掉小噪点
- 闭运算（5x5核，1次）→ 填充目标空洞
这个流程我用了很多年，在大多数室内外场景下都表现稳定。当然，具体参数你得根据你的摄像头和场景微调。
下一章，我们会正式进入运动检测的核心——背景减除法。到时候你会发现，预处理做得好，后面的算法就像开了挂一样顺畅。
今天就到这里。去试试代码，看看你的摄像头画面经过预处理后，是不是干净了很多？