第二讲：图像基础与预处理——从像素到滤波的实战之路
各位同学，欢迎来到第二讲。上一讲我们聊了边缘检测的整体框架，今天要扎进一个更基础但也更关键的话题——图像在计算机里到底是怎么存的？预处理又该怎么搞？
说实话，我刚开始做嵌入式视觉那会儿，觉得图像预处理就是“调调亮度、改改对比度”，没什么技术含量。直到有一次在工业相机项目上，因为滤波参数没选对，导致边缘检测结果全是噪点，被客户骂了一下午……嗯，从那以后我再也不敢小看预处理了。
一、图像在计算机中的表示
1. RGB图像——最直观的“三原色”
你想想看，我们人眼看颜色，靠的是红绿蓝三种视锥细胞。计算机也一样，用三个通道来模拟——R（红）、G（绿）、B（蓝）。每个通道的值范围是0到255，也就是8位深度。
一张640×480的RGB图像，在内存里占多大？640×480×3 = 921600字节，差不多0.88MB。这在PC上不算什么，但在嵌入式设备上，比如STM32或者树莓派，这个量级就得精打细算了。
关键点：RGB图像在内存中的排列顺序通常是BGR（蓝绿红），而不是RGB。这是OpenCV的默认格式，很多新手在这里踩过坑。
我的经验：在嵌入式平台上，我习惯用BGR565格式（16位，R和B各5位，G占6位），能省一半内存，而且人眼几乎看不出差别。
2. 灰度图像——边缘检测的“主力军”
说白了，边缘检测只需要亮度信息，不需要颜色。所以我们会把RGB转成灰度图。转换公式很简单：
Gray = 0.299 * R + 0.587 * G + 0.114 * B为什么权重不一样？因为人眼对绿色最敏感，对蓝色最不敏感。这个公式是ITU-R BT.601标准里规定的，我建议你直接记住它。
灰度图每个像素只占1个字节，640×480的图只有307KB。处理速度比RGB快3倍以上——在嵌入式系统里，这就是实不实时的区别。
注意：不要直接用平均值 (R+G+B)/3 来转灰度，那样会丢失对比度信息，边缘检测效果会变差。我曾经试过一次，结果边缘断断续续的，后来老老实实用了加权公式。
二、像素与邻域概念
像素是图像的最小单元，这个好理解。但邻域是什么？说白了，就是某个像素周围的“邻居们”。
常见的邻域有两种：
- 4邻域：上下左右四个方向，像十字架
- 8邻域：上下左右加上四个对角，共8个方向
在边缘检测里，我们几乎只用8邻域。为什么？因为对角线方向的信息也很重要，比如45度边缘。你想想看，如果只用4邻域，斜着的边缘就检测不到了。
实战经验：我在做车道线检测时，发现8邻域能更好地提取连续边缘。但代价是计算量增加了约30%，在低端MCU上需要权衡。
三、图像滤波——去噪是第一步
原始图像里总有噪声——传感器热噪声、光照不均、量化误差……这些噪声如果不处理，边缘检测结果会惨不忍睹。滤波就是用来“平滑”图像，去除噪声的。
1. 均值滤波——简单但粗暴
均值滤波的原理很简单：用一个窗口（比如3×3）滑过图像，把窗口内所有像素的平均值赋给中心像素。
// 3×3均值滤波核
1/9 1/9 1/9
1/9 1/9 1/9
1/9 1/9 1/9这个核的意思就是：每个邻居的权重都一样，大家平均一下。
优点：速度快，实现简单。
缺点：会模糊边缘，因为边缘处的像素也被平均了。
我的建议：均值滤波适合噪声比较均匀的场景，比如高斯噪声。但如果是椒盐噪声（黑白点），均值滤波效果很差，我建议用中值滤波。
2. 高斯滤波——更“聪明”的平滑
高斯滤波和均值滤波的区别在于：它给中心像素更高的权重，给远处的像素更低的权重。权重分布服从高斯函数（正态分布）。
3×3的高斯核（σ≈0.8）：
1/16 2/16 1/16
2/16 4/16 2/16
1/16 2/16 1/16你看，中心像素的权重是4/16，是角落像素的4倍。这样在平滑噪声的同时，能更好地保留边缘信息。
核心区别：均值滤波是“一刀切”，高斯滤波是“有重点地平滑”。在边缘检测预处理中，我几乎只用高斯滤波。
3. 滤波的嵌入式实现要点
在嵌入式平台上，滤波不能像PC那样直接算。我总结了几条经验：
- 用整数运算：避免浮点数。比如高斯核的1/16可以用右移4位实现
- 分离滤波：二维高斯滤波可以拆成两个一维滤波，先水平再垂直，计算量从O(n²)降到O(2n)
- 边界处理：图像边缘的像素没有完整的邻域，我习惯用“复制边缘”的方式，而不是补零
// 一维水平高斯滤波（3×3核，整数实现）
for (int y = 0; y < height; y++) {
for (int x = 1; x < width - 1; x++) {
int sum = src[y][x-1] + 2*src[y][x] + src[y][x+1];
dst[y][x] = sum >> 2; // 除以4
}
}避坑指南：我曾经在STM32F4上直接用浮点运算做高斯滤波，结果一帧图像处理了200ms，完全达不到实时。后来改成整数移位运算，直接降到15ms。记住：嵌入式里，能不用浮点就不用浮点。
四、总结与实战建议
这一讲的内容，说白了就是三件事：
- 图像表示：RGB转灰度，省内存提速度
- 邻域概念：8邻域是边缘检测的基础
- 滤波选择：高斯滤波是预处理的首选
我个人习惯的预处理流程是：
RGB → 灰度 → 高斯滤波（3×3，σ=1.0）→ 边缘检测
这个流程在大多数嵌入式平台上都能跑得动，效果也够用。下一讲我们会正式进入边缘检测算法本身，到时候你会发现，今天的预处理工作做得越好，后面的边缘检测就越轻松。
嗯，今天就到这里。有问题随时交流。
公众号:蓝海资料掘金营，微信deep3321