3、图像预处理基础：图像读取与显示、灰度化、二值化（OTSU/自适应）、去噪（高斯/中值）、形态学操作

各位同学，欢迎来到第三章。

这一章，我们正式进入图像预处理的世界。说实话，这是整个OCR流水线里最“脏”最“累”的活，但也是最能体现功力的地方。我做了这么多年OCR，见过太多模型在干净数据集上跑得飞起，一到真实场景就崩盘——十有八九是预处理没做好。

你想想看，摄像头拍出来的照片，光照不均匀、有噪声、文字歪歪扭扭，你直接把这种图扔给模型，它能认出来才怪。所以，预处理的目的就一个：把“烂图”变成“好图”，让后续的识别模块能轻松干活。

3.1 图像读取与显示

一切从读取开始。在Python里，我们最常用的就是OpenCV和PIL。我个人习惯用OpenCV，因为它速度快、功能全，而且底层是C++写的，处理大图也不虚。

import cv2
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('test.jpg')
# OpenCV默认读取的是BGR格式，不是RGB
# 显示的时候要注意转换
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img_rgb)
plt.axis('off')
plt.show()

另外，读取图像时要注意路径问题。中文路径、特殊字符，都可能导致读取失败。我建议统一用英文路径，省心。

3.2 灰度化

为什么要灰度化？说白了，彩色图像有三个通道，信息冗余大，计算量也大。对于文字识别来说，颜色信息其实没那么重要，我们更关心的是文字的轮廓和对比度。

灰度化就是把三通道的彩色图变成单通道的灰度图。每个像素的值从0到255，0代表纯黑，255代表纯白。

# 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 或者直接以灰度模式读取
gray = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE)

这里有个小细节：直接以灰度模式读取，比先读取再转换要快一点点。但如果你需要对原图做其他处理，还是先读取彩色图再转换更灵活。

3.3 二值化

灰度图还是太“丰富”了，每个像素有256种可能。二值化就是把这256种可能压缩成两种：0和255，也就是黑和白。这样，文字区域和非文字区域就彻底分开了。

3.3.1 全局阈值（OTSU）

OTSU算法，也叫大津法。它的核心思想是：自动找一个阈值，让前景和背景的类间方差最大。说白了，就是让黑白分得最开。

# OTSU二值化
_, binary_otsu = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

我在项目中遇到过一个问题：当图像光照不均匀时，OTSU的效果会变差。比如一张图左边亮右边暗，OTSU只能找到一个全局阈值，结果左边文字被吃掉，右边背景被染黑。这时候就需要自适应阈值了。

3.3.2 自适应阈值

自适应阈值，说白了就是“因地制宜”。它把图像分成一个个小区域，每个区域单独计算阈值。这样，亮的地方阈值高，暗的地方阈值低，效果就好多了。

# 自适应阈值
binary_adaptive = cv2.adaptiveThreshold(
    gray, 255, 
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
    cv2.THRESH_BINARY, 
    11,  # 邻域大小，必须是奇数
    2    # 常数，从均值中减去的值
)

3.4 去噪

二值化之后，图像上经常会有一些“小点点”——噪声。这些噪声可能是摄像头传感器产生的，也可能是纸张本身的纹理。去噪的目的就是把这些干扰去掉，同时尽量保留文字的边缘。

3.4.1 高斯滤波

高斯滤波，说白了就是“加权平均”。它用一个高斯核去扫描图像，每个像素的值被替换成它周围像素的加权平均值。权重由高斯分布决定，离中心越近，权重越大。

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(gray, (5, 5), 0)

高斯滤波对高斯噪声（也就是那种随机分布的噪声）效果很好。但它的缺点是会让图像变模糊，边缘也会被平滑掉。所以，核的大小要控制好，我一般不超过7x7。

3.4.2 中值滤波

中值滤波就简单粗暴多了——它取邻域内所有像素的中位数作为当前像素的值。这招对椒盐噪声（就是那种黑白点）特别有效。

# 中值滤波
median_blur = cv2.medianBlur(gray, 5)

我记得有一次做身份证OCR，图像上有明显的扫描条纹。高斯滤波搞不定，但中值滤波一上去，条纹全没了。为什么？因为条纹是孤立的亮线，中值滤波直接把它当成异常值剔除了。

3.5 形态学操作

形态学操作，听起来很高大上，其实就是对二值图像做“膨胀”和“腐蚀”。这两个操作是基础，组合起来能玩出很多花样。

3.5.1 腐蚀与膨胀

腐蚀：让白色区域“瘦”一圈。说白了，就是去掉边缘的孤立点。

膨胀：让白色区域“胖”一圈。说白了，就是填补内部的空洞。

# 定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 腐蚀
erosion = cv2.erode(binary, kernel, iterations=1)

# 膨胀
dilation = cv2.dilate(binary, kernel, iterations=1)

3.5.2 开运算与闭运算

开运算 = 先腐蚀后膨胀。作用是去掉小的白色噪点，同时保持文字大小不变。

闭运算 = 先膨胀后腐蚀。作用是填补文字内部的黑色空洞，同时保持文字大小不变。

# 开运算
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 闭运算
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

3.6 预处理流水线实战

好了，知识点都讲完了。我们来串一条完整的预处理流水线。这是我个人在项目中常用的套路：

def preprocess_pipeline(img_path):
    # 1. 读取图像
    img = cv2.imread(img_path)
    # 2. 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 3. 去噪（先中值后高斯，效果更佳）
    denoised = cv2.medianBlur(gray, 3)
    denoised = cv2.GaussianBlur(denoised, (3, 3), 0)
    # 4. 自适应二值化
    binary = cv2.adaptiveThreshold(
        denoised, 255, 
        cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
        cv2.THRESH_BINARY, 
        11, 2
    )
    # 5. 形态学操作（闭运算填补空洞）
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
    return cleaned

这条流水线，我用了好几年，在大多数场景下都能拿到不错的效果。当然，具体参数要根据你的图像来调。没有万能药，只有不断试错。

嗯，这一章的内容就到这里。下一章，我们会讲图像增强和几何变换，到时候你会看到更多有意思的技巧。记住，预处理做得好，后面识别就轻松。别偷懒，多试试不同的组合。