3. 图像处理基础（下）：图像滤波与去噪、边缘检测（Canny/Sobel）、形态学操作

好，咱们接着往下聊。上一节我们把图像的基本操作和色彩空间过了一遍，这一节要进入真正“干活”的部分了。

你想想看，一张从摄像头拍回来的交通标志照片，能直接用吗？大概率不行。路上有灰尘、光线不均匀、车牌反光、运动模糊……这些噪声不处理掉，后面的识别准确率会惨不忍睹。所以，滤波、去噪、边缘检测、形态学操作，这些就是咱们的“预处理三板斧”。

3.1 图像滤波与去噪：把脏东西洗掉

滤波，说白了就是用一个小窗口（核）在图像上滑动，把每个像素的值替换成它周围像素的某种“平均值”。不同的“平均”方式，就产生了不同的滤波效果。

3.1.1 均值滤波

最简单粗暴的方法。把核覆盖的所有像素加起来，除以像素个数。嗯，就像你拿一块抹布在图像上抹一下，模糊了，但噪声也淡了。

import cv2
import numpy as np

img = cv2.imread('traffic_sign.jpg')
# 5x5的核，核越大越模糊
blurred = cv2.blur(img, (5, 5))
cv2.imshow('Mean Blur', blurred)

3.1.2 高斯滤波

高斯滤波比均值滤波聪明一点。它不再是一视同仁地平均，而是根据像素离中心点的距离，给不同的权重。离得近的权重大，离得远的权重小。这个权重分布，就是高斯分布。

我在项目中遇到过这样的情况：用均值滤波去噪，结果标志的白色边框和红色底色糊在一起了。换成高斯滤波，边缘保留得好很多。

# 高斯滤波，核大小5x5，sigmaX=0表示自动计算
gaussian = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow('Gaussian Blur', gaussian)

3.1.3 中值滤波

这个我要重点说一下。中值滤波不是算平均，而是把核覆盖的所有像素值排序，取中间那个值。它对椒盐噪声（就是那种黑白点点的噪声）有奇效。

我曾经处理过一张在强光下拍摄的限速标志，上面全是白点。均值滤波搞不定，高斯滤波也一般，换成中值滤波，一下就干净了。

# 中值滤波，核大小必须是奇数
median = cv2.medianBlur(img, 5)
cv2.imshow('Median Blur', median)

滤波方法	去噪效果	边缘保留	适用场景
均值滤波	一般	差	简单去噪，要求不高
高斯滤波	较好	中等	通用去噪，保留一定边缘
中值滤波	优秀（椒盐噪声）	好	椒盐噪声、脉冲噪声

3.2 边缘检测：找到物体的“骨架”

去完噪，下一步就是找边缘。边缘是图像中像素值发生剧烈变化的地方。说白了，就是物体的轮廓。交通标志的圆形、三角形、矩形，全靠边缘来提取。

3.2.1 Sobel算子

Sobel算子是一种基于一阶导数的边缘检测方法。它用两个3x3的核，一个检测水平方向的变化，一个检测垂直方向的变化。

# 先转成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Sobel在x方向
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
# Sobel在y方向
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)

# 取绝对值并转成uint8
sobelx = np.uint8(np.absolute(sobelx))
sobely = np.uint8(np.absolute(sobely))

# 合并
sobel_combined = cv2.bitwise_or(sobelx, sobely)
cv2.imshow('Sobel', sobel_combined)

3.2.2 Canny边缘检测

Canny是边缘检测的“扛把子”。它比Sobel复杂，但效果也更好。它做了四件事：去噪（高斯滤波）、计算梯度、非极大值抑制、双阈值检测。

非极大值抑制是啥意思？说白了，就是只保留梯度方向上的局部最大值，把那些“不够尖”的边缘去掉。双阈值检测呢？设定一个高阈值和一个低阈值，高于高阈值的肯定是边缘，低于低阈值的肯定不是，介于中间的，如果跟确定的边缘相连，就算它是边缘。

我记得第一次用Canny的时候，调阈值调了半天。后来发现，对于交通标志，低阈值设50，高阈值设150，效果通常不错。

# Canny边缘检测
# 参数：图像，低阈值，高阈值
edges = cv2.Canny(gray, 50, 150)
cv2.imshow('Canny Edges', edges)

3.3 形态学操作：修修补补的艺术

边缘检测完了，得到的二值图像往往不完美。边缘有断裂、有空洞、有多余的小点。这时候，形态学操作就派上用场了。它就像给图像做“整形手术”。

3.3.1 腐蚀与膨胀

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。可以连接断裂的边缘。

# 定义结构元素（核）
kernel = np.ones((5,5), np.uint8)

# 腐蚀
erosion = cv2.erode(edges, kernel, iterations=1)
# 膨胀
dilation = cv2.dilate(edges, kernel, iterations=1)

cv2.imshow('Erosion', erosion)
cv2.imshow('Dilation', dilation)

3.3.2 开运算与闭运算

开运算 = 先腐蚀后膨胀。用来去除小白点噪声，同时保持大物体形状不变。

闭运算 = 先膨胀后腐蚀。用来填充物体内部的小空洞，连接断裂的轮廓。

我曾经在处理一个“禁止停车”标志时，Canny检测出来的圆形边缘断成了好几段。用闭运算一搞，立马连成完整的圆。嗯，那种感觉，很爽。

# 开运算
opening = cv2.morphologyEx(edges, cv2.MORPH_OPEN, kernel)
# 闭运算
closing = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)

cv2.imshow('Opening', opening)
cv2.imshow('Closing', closing)

3.4 实战小流程：从原图到干净边缘

好了，把今天学的串起来。一个典型的交通标志预处理流程是这样的：

1. 读取图像，转成灰度图
2. 高斯滤波，去除高斯噪声
3. Canny边缘检测，得到初步边缘
4. 闭运算，连接断裂的轮廓
5. 开运算，去除小的噪声点

def preprocess_for_edge_detection(img_path):
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 1. 高斯滤波
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 2. Canny边缘检测
    edges = cv2.Canny(blurred, 50, 150)
    
    # 3. 形态学操作
    kernel = np.ones((3,3), np.uint8)
    closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterations=1)
    cleaned = cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel, iterations=1)
    
    return cleaned

# 调用
result = preprocess_for_edge_detection('stop_sign.jpg')
cv2.imshow('Final Result', result)

这个流程，我用了好几年，在多个交通标志数据集上验证过，效果稳定。当然，具体参数要根据你的图像质量微调。但大方向，就是这个路子。

下一节，我们会基于这些干净的边缘，去提取轮廓、计算形状特征，然后真正开始识别交通标志。准备好了吗？