4、图像预处理：图像灰度化、直方图均衡化、高斯滤波、中值滤波、边缘检测
各位同学，咱们今天聊聊图像预处理。这步活儿，说白了就是给原始图像“洗把脸”，让它能更好地被后续算法识别。
我做了这么多年机器视觉，发现一个规律：很多项目最后跑不通，问题往往出在预处理阶段。你想想看，一张满是噪点的图，再牛的算法也白搭。所以，别小看这几个基础操作。
4.1 图像灰度化
工业相机拍出来的，大多是彩色图像。但咱们做视觉检测时，颜色信息很多时候是多余的。灰度化，就是把三通道的彩色图，转成单通道的灰度图。
为什么要这么做？
- 减少计算量：三通道变一通道，数据量直接降到原来的三分之一。
- 去除冗余信息：很多特征（边缘、纹理）在灰度空间里就足够表达了。
- 提高鲁棒性：光照变化对灰度图的影响，比彩色图小得多。
常用的灰度化方法有三种：
| 方法 | 公式 | 特点 |
|---|---|---|
| 最大值法 | Gray = max(R, G, B) | 亮度偏高，细节丢失 |
| 平均值法 | Gray = (R + G + B) / 3 | 均衡，但不够自然 |
| 加权平均法 | Gray = 0.299R + 0.587G + 0.114B | 符合人眼感知，最常用 |
我个人习惯用加权平均法。OpenCV里直接调用 cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 就行。不过要注意，OpenCV默认是BGR顺序，别搞反了。
核心代码：
import cv2
img = cv2.imread('input.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imwrite('gray.jpg', gray)4.2 直方图均衡化
你有没有遇到过这种情况？一张图拍出来，整体偏暗或者偏亮，细节根本看不清。这就是图像对比度太低了。
直方图均衡化，就是用来解决这个问题的。它把像素值的分布“拉伸”开，让暗的地方更暗，亮的地方更亮，中间层次更丰富。
我在项目中遇到过一件事：一个产线上的字符识别项目，因为环境光不均匀，字符总是识别错。后来加了直方图均衡化，识别率直接从70%飙到了95%。
实现起来也很简单：
import cv2
img = cv2.imread('dark.jpg', 0) # 以灰度图读入
equ = cv2.equalizeHist(img)
cv2.imwrite('equ.jpg', equ)小技巧：如果图像局部光照不均，可以用自适应直方图均衡化（CLAHE）。它能避免整体均衡化带来的噪声放大问题。
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
cl1 = clahe.apply(img)4.3 高斯滤波
图像里的噪声，就像脸上的痘痘，得想办法去掉。高斯滤波就是最常用的“磨皮”工具。
它的原理很简单：用一个高斯核（权重矩阵）去卷积整张图像。中心像素的权重最大，越往边缘权重越小。这样既能平滑噪声，又能保留边缘信息。
嗯，这里要注意：高斯核的大小和标准差σ，直接影响滤波效果。
- 核越大：平滑效果越强，但细节丢失也越多。
- σ越大：权重分布越平缓，平滑效果越强。
我建议：对于一般的工业图像，用5×5的核，σ=1.0就够用了。
import cv2
img = cv2.imread('noisy.jpg')
blur = cv2.GaussianBlur(img, (5, 5), 1.0)
cv2.imwrite('gaussian.jpg', blur)避坑指南：我曾经在一个项目中，为了去噪把高斯核设成了15×15。结果噪声是没了，但边缘也糊了，导致后续的边缘检测完全失效。记住：滤波不是越强越好，够用就行。
4.4 中值滤波
高斯滤波对付高斯噪声很有效，但遇到椒盐噪声（黑白点）就有点力不从心了。这时候，中值滤波就派上用场了。
中值滤波的原理更简单：把窗口内的像素值排序，取中间值作为输出。这样一来，那些孤立的噪声点（特别亮或特别暗）就会被直接剔除。
你想想看，一个3×3的窗口里，如果有一个白点（255），其他都是正常值（100左右），排序后中间值肯定还是100左右。白点就被干掉了。
中值滤波的核大小也很有讲究：
| 核大小 | 适用场景 |
|---|---|
| 3×3 | 轻度噪声，细节保留好 |
| 5×5 | 中度噪声，常用 |
| 7×7及以上 | 重度噪声，但边缘会变圆滑 |
import cv2
img = cv2.imread('salt_pepper.jpg')
median = cv2.medianBlur(img, 5)
cv2.imwrite('median.jpg', median)实战经验：在工业现场，如果相机传感器老化或者传输线缆有干扰，经常会出现椒盐噪声。我一般先用中值滤波处理一遍，再用高斯滤波做二次平滑。效果比单独用一种好得多。
4.5 边缘检测
好了，前面做了那么多预处理，最终目的往往是为了提取特征。而边缘，就是图像中最基本、最重要的特征。
边缘检测的算法很多，但工业界最常用的还是Canny算子。它为什么这么受欢迎？因为它把边缘检测做成了一个完整的流程：
- 高斯滤波：先平滑，去除噪声。
- 计算梯度：用Sobel算子算出每个像素的梯度幅值和方向。
- 非极大值抑制：只保留梯度方向上的局部最大值，让边缘变细。
- 双阈值检测：用高低两个阈值，确定哪些是强边缘、弱边缘和非边缘。
- 边缘连接：只保留与强边缘相连的弱边缘。
说白了，Canny就是一套“组合拳”，每一步都经过精心设计。
使用Canny时，最重要的参数就是两个阈值：
- 低阈值：低于这个值的，直接丢弃。
- 高阈值：高于这个值的，确定为强边缘。
我个人的经验是：高阈值设为低阈值的2-3倍。比如低阈值50，高阈值150。这个比例在大多数场景下都适用。
import cv2
img = cv2.imread('processed.jpg', 0)
edges = cv2.Canny(img, 50, 150)
cv2.imwrite('edges.jpg', edges)调试技巧：如果你不确定阈值设多少合适，可以用滑动条动态调整。OpenCV里可以用 cv2.createTrackbar() 实现。我每次做新项目，都会先跑一遍滑动条调试，找到最佳阈值再固化到代码里。
小结
图像预处理这五个步骤，是机器视觉的基石。灰度化降维、直方图均衡化增强对比度、高斯滤波去噪、中值滤波去椒盐噪声、Canny边缘检测提取特征——每一步都有它的用武之地。
最后送大家一句话：预处理做得好，后续算法跑得稳。别急着上深度学习，先把这些基本功练扎实了。
下一章，咱们聊聊特征提取与匹配，看看怎么从边缘信息里找到我们想要的目标。