📚 课程目录第4章图像预处理与增强实战

4. 图像预处理与增强实战

苗木航拍或近景图像在进入计数与密度分析之前，往往存在三类干扰：光照不均（树冠阴影、逆光、云影）、噪声（传感器噪声、压缩伪影、风摆模糊）以及对比度不足（阴天、过曝导致冠层与背景灰度接近）。本节围绕一条可复现的预处理流水线展开，目标不是"把图变好看"，而是让冠层与背景、苗木与裸土之间的可分性稳定提升，为后续分割、检测或密度估计提供一致输入。

一、先定顺序：为什么流水线不是随意堆叠

预处理各步骤之间存在明确的先后依赖。去噪应放在锐化之前，否则锐化会放大噪声；色彩空间转换应在光照校正之前完成，因为多数光照校正方法在亮度通道上操作更合理；CLAHE 应放在光照校正之后，否则局部均衡会把光照梯度"固化"进对比度里。数据增强则必须放在整条确定性预处理链之后，只对训练样本施加随机变换，验证集与推理输入保持确定性处理。一个稳妥的顺序是：色彩空间转换 → 去噪 → 自适应光照校正 → CLAHE → 锐化 → （仅训练）数据增强。

二、色彩空间转换：把"亮度"单独拿出来

OpenCV 默认读入为 BGR。直接对三通道做均衡或校正，会同时改变色相，导致绿色冠层偏色。更合理的做法是转到 LAB 或 HSV，只处理亮度分量。LAB 的 L 通道与人眼亮度感知近似线性，适合做光照校正与 CLAHE；a、b 通道保留色彩信息，处理完再合并回 BGR。示例代码如下（参数为教学示例值）：

import cv2, numpy as np

img = cv2.imread("seedling.jpg")            # BGR
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
L, a, b = cv2.split(lab)                    # L: 0~255 (uint8)

需要注意 uint8 的 L 通道在后续做减法时容易下溢截断，建议先转 float32 再运算，最后裁剪回 0~255。

三、去噪：保边比"去干净"更重要

苗木图像的关键结构是冠层轮廓与苗干，高斯滤波会把细枝和窄冠一起糊掉。实践中优先用双边滤波：cv2.bilateralFilter(L, d=7, sigmaColor=50, sigmaSpace=50)。d 为邻域直径，sigmaColor 控制颜色相似度容忍度，sigmaSpace 控制空间距离权重。若图像噪声以椒盐为主（少见），可先用 3×3 中值滤波；若为压缩块效应，可考虑非局部均值 fastNlMeansDenoising，但耗时明显上升，需按批量规模权衡。

四、自适应光照校正：用"大核背景"估计光照场

光照不均的本质是低频亮度偏移。做法是用一个远大于树冠尺寸的高斯核估计背景光照场，再从原图中减去：

bg = cv2.GaussianBlur(Lf, (0, 0), sigmaX=61)   # 大核背景估计
Lc = Lf - bg + 128.0                            # 平移到中灰
Lc = np.clip(Lc, 0, 255).astype(np.uint8)

sigmaX 的选取是关键：应大于最大树冠半径，使背景估计只保留缓变光照而"看不见"树冠。若 sigmaX 偏小，树冠会被当作光照背景减掉，冠层中心变暗、边缘发亮，形成"光晕"伪影。判断方法很直接：校正后观察同一树冠内部亮度是否均匀，若出现明显亮环，说明核太小，应增大 sigmaX。对逆光场景，也可用形态学闭运算（大结构元）估计背景，效果类似但边缘更硬。

五、CLAHE：局部对比度，但要防噪声放大

全局直方图均衡对光照不均图像往往无效，CLAHE 将图像分块（如 8×8）分别均衡并限制对比度增幅，再用双线性插值消除块间边界。调用方式：

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
L_eq = clahe.apply(Lc)

clipLimit 是核心参数：值越大对比度越强，但噪声与纹理也被同步放大，裸土颗粒可能被误判为小苗。建议从 2.0 起步，在验证集上观察冠层与背景的灰度分离度（如 Otsu 阈值两侧的类间方差）再微调。tileGridSize 过小会产生块状伪影，8×8 在 1000~2000 像素级图像上通常较稳。

六、锐化：放在最后，且要克制

推荐非锐化掩模（USM）：cv2.addWeighted(L_eq, 1.0 + amount, cv2.GaussianBlur(L_eq, (0,0), 1.0), -amount, 0)，amount 取 0.8~1.5。锐化会放大残余噪声，因此必须放在去噪与 CLAHE 之后；若锐化后出现明显白边，应降低 amount 或增大模糊 sigma。锐化完成后将 L 与 a、b 合并并转回 BGR：cv2.cvtColor(cv2.merge([L_sharp, a, b]), cv2.COLOR_LAB2BGR)。

七、数据增强流水线：只对训练集随机

增强的目的是让模型见过更多光照与姿态变化，而不是改变标签语义。对苗木计数任务，水平/垂直翻转、±15° 旋转、±10% 亮度抖动、随机裁剪是安全操作；缩放与透视变换会改变苗木像素尺寸与密度标签的对应关系，若使用必须同步变换标注框或点标注。增强应封装为独立函数，仅在训练 DataLoader 中启用，验证与推理走确定性路径。可用如下结构组织：

def preprocess(img, augment=False):
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    L, a, b = cv2.split(lab)
    Lf = L.astype(np.float32)
    Lf = cv2.bilateralFilter(Lf, 7, 50, 50)
    bg = cv2.GaussianBlur(Lf, (0, 0), 61)
    Lc = np.clip(Lf - bg + 128, 0, 255).astype(np.uint8)
    Lc = cv2.createCLAHE(2.0, (8, 8)).apply(Lc)
    Ls = cv2.addWeighted(Lc, 2.2, cv2.GaussianBlur(Lc, (0,0), 1.0), -1.2, 0)
    out = cv2.cvtColor(cv2.merge([Ls, a, b]), cv2.COLOR_LAB2BGR)
    if augment:
        out = random_flip_rotate_brightness(out)
    return out

调试建议：把同一张图的六个阶段（原图、去噪、光照校正、CLAHE、锐化、增强后）拼成一张对比图逐格观察。重点看三处——树冠内部是否均匀、冠层与裸土边界是否清晰、裸土颗粒是否被过度放大。三者同时满足，才说明参数组合可用。

常见误区：把 CLAHE 与锐化反复叠加"求清晰"，结果噪声被逐级放大，分割时裸土碎斑被计为苗木，密度被系统性高估。另一个误区是训练集做了增强、验证集也顺手做了增强，导致验证指标虚高且与上线表现脱节。

整条流水线的验收标准应落到下游任务上：在固定验证集上比较预处理前后的分割 IoU 或计数误差，而不是凭肉眼"更清楚"。若预处理后计数误差未下降甚至上升，优先回查光照校正核尺寸与 CLAHE 的 clipLimit，这两个参数对冠层可分性影响最大。