3、图像预处理基础：灰度化、高斯滤波、直方图均衡化、图像增强在车道线场景下的应用
各位同学，咱们今天聊点实在的。
图像预处理，说白了就是给摄像头拍到的原始图像“洗把脸”。你想想看，车载摄像头装在挡风玻璃后面，光线忽明忽暗，路面有阴影，还有各种反光。这种原始数据直接扔给车道线检测算法？那结果肯定惨不忍睹。我做了这么多年车载视觉，可以负责任地告诉你：预处理做得好，后续算法事半功倍；预处理糊弄事，后面调参调到怀疑人生。
3.1 灰度化：为什么非要把彩色图变灰？
很多刚入行的同学会问：彩色图像信息多丰富啊，干嘛要丢掉颜色？
嗯，这里要注意。车道线检测的核心任务是找到线条的边缘和走向，而不是区分颜色。彩色图像有三个通道，处理起来计算量是灰度图的三倍。在嵌入式平台上，每一毫秒的计算资源都很宝贵。我个人习惯，拿到图像第一件事就是灰度化。
核心观点：灰度化不是丢弃信息，而是聚焦于对车道线检测最有用的亮度信息。
常用的灰度化方法有三种：
- 最大值法：取R、G、B三个通道的最大值。效果偏亮，容易放大噪声。
- 平均值法：三个通道取平均。中规中矩，但会丢失对比度。
- 加权平均法：按人眼敏感度加权，公式是 Gray = 0.299R + 0.587G + 0.114B。这是最常用的方法。
我在项目中遇到过一个问题：某款摄像头在黄昏时分拍出的图像偏红，用平均值法灰度化后，车道线和路面的对比度急剧下降。后来换成加权平均法，效果明显改善。说白了，人眼对绿色最敏感，加权平均法就是模拟人眼的特性。
// C++ 实现加权平均灰度化
cv::Mat grayImage;
cv::cvtColor(colorImage, grayImage, cv::COLOR_BGR2GRAY);
// 一行代码搞定，OpenCV默认使用加权平均法3.2 高斯滤波：别让噪声毁了你的边缘检测
灰度化之后，下一步就是降噪。为什么？
你想想看，车道线检测依赖边缘检测（比如Canny算子）。边缘检测对噪声极其敏感。图像上哪怕有一个孤立的噪点，都可能被误判为车道线的边缘。我曾经调试一个项目，发现算法总是把路面上的小石子误检成车道线，折腾了两天才发现是没做滤波。
高斯滤波的原理很简单：用一个高斯核（权重矩阵）对图像做卷积。离中心像素越近的像素，权重越大；越远的，权重越小。这符合自然图像的统计特性——相邻像素的相关性更高。
我的经验：高斯核大小一般选5×5或7×7。核太小，降噪效果不明显；核太大，边缘会模糊。在高速场景下，我建议用5×5，既能滤除路面纹理噪声，又能保留车道线的清晰边缘。
// C++ 高斯滤波示例
cv::Mat blurredImage;
cv::GaussianBlur(grayImage, blurredImage, cv::Size(5, 5), 1.5);
// 第二个参数是核大小，第三个参数是标准差sigma这里有个细节：sigma值怎么选？我一般让 sigma = 0.3 * ((ksize - 1) * 0.5 - 1) + 0.8。当然，OpenCV里如果sigma设为0，它会根据核大小自动计算。我个人习惯手动指定，因为不同场景下最优sigma值不一样。
3.3 直方图均衡化：让暗处的车道线“现形”
这是预处理里我最喜欢的一步。为什么？因为它效果立竿见影。
想象一个场景：车辆驶入隧道，或者阴天傍晚，图像整体偏暗。这时候车道线和路面的对比度很低，肉眼都很难分辨。直方图均衡化就是用来解决这个问题的。
它的原理说白了就是：把图像的灰度直方图从集中在某个小区域，拉伸到整个0-255范围。这样原本暗的区域变亮，亮的区域稍微压暗，整体对比度就上来了。
注意：直方图均衡化不是万能的。如果图像中有大面积的路面（灰度值接近）和小面积的车道线（灰度值不同），均衡化后可能会放大路面纹理，引入新的噪声。我曾经在一条老旧柏油路上吃过这个亏——路面裂缝被误检成车道线。
针对车道线场景，我推荐使用自适应直方图均衡化（CLAHE）。它把图像分成小块，每个小块单独做均衡化，然后用插值消除块之间的边界效应。这样既能增强局部对比度，又不会过度放大全局噪声。
// C++ CLAHE 实现
cv::Ptr clahe = cv::createCLAHE(2.0, cv::Size(8, 8));
cv::Mat enhancedImage;
clahe->apply(blurredImage, enhancedImage);
// 第一个参数是对比度限制阈值，第二个参数是块大小 对比度限制阈值这个参数很关键。我一般设2.0到3.0之间。设得太小，效果不明显；设得太大，图像会出现“块状感”，看起来不自然。
3.4 图像增强：组合拳打出最佳效果
前面三步是基础，但实际工程中很少只用一招。我通常会把它们组合起来，形成一套预处理流水线。
以我最近做的一个项目为例，处理流程是这样的：
- 输入：1280×720的彩色图像
- 灰度化：加权平均法
- 高斯滤波：5×5核，sigma=1.5
- CLAHE：对比度限制2.5，块大小8×8
- 输出：增强后的灰度图，送入边缘检测模块
这套流程在白天、黄昏、夜间（有路灯）场景下表现都很稳定。但要注意，没有银弹。比如在雨雾天气，我会在CLAHE之前加一步去雾处理（基于暗通道先验）。
避坑指南：我曾经在某个项目中，把预处理做得太“重”了——又是高斯滤波，又是中值滤波，还做了两次直方图均衡化。结果车道线的边缘被模糊得一塌糊涂，检测精度反而下降了。记住：预处理的目标是“去噪保边”，不是“美化图像”。
最后分享一个调试技巧：每次做完预处理，都把中间结果保存成图片，用肉眼检查一遍。我习惯在代码里加一个调试开关，可以随时查看灰度图、滤波图、增强图。这样能快速定位问题出在哪一步。
好了，这一章的内容就到这里。下一章咱们聊聊边缘检测——Canny算子在车道线场景下的调参艺术。到时候我会分享一个让我印象深刻的翻车案例，保证你们听完之后对参数选择会有全新的认识。