图像预处理基础：灰度化、直方图均衡化、高斯滤波、中值滤波、图像增强实战

各位同学，欢迎来到第四讲。今天咱们聊聊图像预处理。

说实话，在工业视觉定位这个领域，我踩过最大的坑就是「算法调了半天，最后发现是图像质量不行」。你想想看，一张糊掉的图，再牛的算法也白搭。所以，预处理这步，千万别小看。

4.1 灰度化：扔掉颜色，保留灵魂

工业相机拍出来的图，大多是彩色的。但咱们做定位，其实不太需要颜色信息。为什么？因为灰度图计算量小，而且边缘信息更纯粹。

我习惯用加权平均法做灰度化。说白了，就是把RGB三个通道按一定比例混合。OpenCV里默认的权重是：

Gray = 0.299 * R + 0.587 * G + 0.114 * B

这个比例怎么来的？其实是对人眼视觉特性的模拟。人眼对绿色最敏感，对蓝色最不敏感。所以绿色权重最高，蓝色最低。

4.2 直方图均衡化：让暗的地方亮起来

直方图均衡化，说白了就是「拉伸」图像的灰度分布。让原本集中在某个小区域的灰度值，均匀地铺满整个0-255范围。

为什么要做这个？举个例子。你拍一张金属零件，光照不均匀，有的地方亮得刺眼，有的地方黑得看不见。这时候直方图均衡化就派上用场了。

import cv2
import numpy as np

# 读取灰度图
img = cv2.imread('part.jpg', 0)
# 直方图均衡化
equ = cv2.equalizeHist(img)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Equalized', equ)

不过要注意，直方图均衡化不是万能的。我曾经在一个项目中，对一张低对比度的图像做均衡化，结果噪声也被放大了。嗯，这里要记住：均衡化会增强对比度，但也会增强噪声。

4.3 高斯滤波：温柔的模糊

高斯滤波，我愿称之为「最温柔的模糊」。它不像均值滤波那样粗暴地取平均，而是根据像素距离中心的远近，赋予不同的权重。

为什么叫「高斯」？因为权重分布符合高斯函数。离中心越近，权重越大；越远，权重越小。这样处理后的图像，边缘保留得更好。

# 高斯滤波，核大小5x5，标准差1.5
blurred = cv2.GaussianBlur(img, (5, 5), 1.5)

核大小和标准差怎么选？我一般这样试：先固定核大小，调标准差；或者固定标准差，调核大小。工业场景下，5x5的核，标准差1.0-2.0，基本够用。

4.4 中值滤波：专治椒盐噪声

中值滤波的思路很简单：把窗口内的像素排序，取中间值代替中心像素。你想想看，如果图像里有个白点（椒盐噪声），排序后它要么在开头要么在结尾，中间值肯定不是它。所以中值滤波去椒盐噪声特别有效。

# 中值滤波，核大小3x3
median = cv2.medianBlur(img, 3)

核大小一般取奇数：3、5、7。我建议从3开始试，效果不够再加大。核太大，图像会变得模糊，细节丢失。

我记得有一次做晶圆定位，图像上全是细小的白点。高斯滤波搞不定，换成中值滤波，一下就干净了。从那以后，我遇到黑白噪声，第一反应就是中值滤波。

4.5 图像增强实战：组合拳才是王道

好了，前面讲了几个基础操作。但实际项目中，很少只用一种方法。我给大家总结一套常用的预处理流程：

1. 灰度化：彩色图转灰度，减少计算量
2. 中值滤波：去除椒盐噪声
3. 高斯滤波：平滑图像，去除高斯噪声
4. 直方图均衡化：增强对比度

这套流程我用了好几年，在大多数工业场景下都管用。但也不是绝对的。比如有些场景需要保留边缘细节，那滤波的核就要小一点。

def preprocess_pipeline(img):
    # 1. 灰度化
    if len(img.shape) == 3:
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    else:
        gray = img
    
    # 2. 中值滤波去椒盐噪声
    denoised = cv2.medianBlur(gray, 3)
    
    # 3. 高斯滤波平滑
    smoothed = cv2.GaussianBlur(denoised, (5, 5), 1.2)
    
    # 4. 直方图均衡化增强对比度
    enhanced = cv2.equalizeHist(smoothed)
    
    return enhanced

4.6 总结与思考

图像预处理，说白了就是「把烂图变好图」的过程。灰度化扔掉颜色，直方图均衡化拉伸对比度，高斯滤波温柔去噪，中值滤波专治椒盐噪声。组合起来用，效果更好。

最后留个思考题：如果图像里既有高斯噪声又有椒盐噪声，你会先做哪个滤波？为什么？

下节课咱们聊边缘检测，那是定位算法的核心。到时候见。