3、图像预处理：掌握高斯模糊、中值滤波等去噪方法，为二值化做准备

在机器人巡线任务中，摄像头采集到的原始图像往往包含大量噪声——环境光波动、传感器热噪声、地面纹理干扰、电线阴影等。如果直接对原始图像进行二值化处理，噪声点会被误判为路径边界，导致巡线控制指令频繁抖动甚至完全偏离赛道。图像预处理的核心目标是在保留路径边缘有效信息的前提下，最大限度地抑制噪声，为后续的二值化分割提供干净、稳定的输入。本章将系统讲解高斯模糊与中值滤波的原理、参数选择方法、实战效果对比及常见误区。

3.1 图像噪声的来源与分类

在机器人巡线场景中，图像噪声主要来自三个层面：传感器噪声（CMOS感光元件在低照度下产生的热噪声）、环境干扰（室内灯光频闪、室外阳光反射、地面材质反光差异）以及传输噪声（模拟信号转数字过程中的量化误差）。从数学形态上，这些噪声可归纳为两类：高斯噪声和椒盐噪声。

高斯噪声的特点是每个像素点都受到微小随机扰动，其灰度值服从正态分布，表现为图像整体出现细小的颗粒感。椒盐噪声则表现为随机像素点被置为纯白（盐）或纯黑（椒），在图像中形成明显的黑白斑点。理解噪声类型是选择滤波方法的前提——高斯模糊对高斯噪声有较好的平滑效果，而中值滤波对椒盐噪声具有天然的抑制作用。

3.2 高斯模糊：原理与参数选择

高斯模糊是一种线性低通滤波器，其核心思想是用邻域内像素的加权平均值替代中心像素值，权重由二维高斯函数决定。高斯函数的数学表达式为：

G(x, y) = (1 / (2πσ²)) * exp(-(x² + y²) / (2σ²))

其中σ（标准差）控制权重的分布范围。σ越大，中心像素的权重越小，平滑效果越强，但边缘信息损失也越严重。在实际工程中，OpenCV的GaussianBlur函数需要指定核大小（ksize）和σ值。核大小必须是正奇数，常见取值为3×3、5×5、7×7。

参数选择的核心原则是：在保证路径边缘可辨识的前提下，尽可能增大平滑强度。如果核过大，路径边缘会被过度模糊，导致二值化后路径宽度失真；如果核过小，噪声抑制不充分，二值化结果会出现大量孤立噪点。

3.3 中值滤波：非线性去噪的优势

中值滤波是一种非线性滤波方法，其原理是将邻域内所有像素的灰度值排序，取中间值作为中心像素的新值。这种方法的优势在于：对于椒盐噪声（极端值），中值滤波可以完全消除其影响，因为噪声点不会成为排序后的中间值。同时，中值滤波在去除噪声的同时能较好地保留边缘的锐利度，不会像高斯模糊那样使边缘变钝。

在OpenCV中，medianBlur函数的使用非常简单，只需指定核大小（同样必须是奇数）。对于巡线机器人常用的320×240分辨率图像，3×3核的中值滤波计算量适中，5×5核则能提供更强的去噪效果但耗时增加约2.5倍。需要特别注意的是，中值滤波对高斯噪声的抑制效果不如高斯模糊，因为高斯噪声是均匀分布的微小扰动，排序后中间值仍然受到噪声影响。

import cv2
import numpy as np

# 读取原始灰度图像
img = cv2.imread('track_raw.jpg', cv2.IMREAD_GRAYSCALE)

# 第一步：中值滤波去除椒盐噪声
img_median = cv2.medianBlur(img, 3)

# 第二步：高斯模糊平滑高斯噪声
img_gaussian = cv2.GaussianBlur(img_median, (5, 5), 1.0)

# 预处理完成，准备进行二值化
# ret, img_binary = cv2.threshold(img_gaussian, 127, 255, cv2.THRESH_BINARY)

3.4 实战案例：不同预处理方案对二值化效果的影响

为了直观展示预处理方法的效果差异，我们设计了一个对比实验。实验环境为室内标准巡线赛道，使用OV7670摄像头（无红外滤光片）采集320×240灰度图像，赛道为白色底板上粘贴的20mm宽黑色电工胶带。实验分为四组：无预处理、仅高斯模糊、仅中值滤波、中值+高斯串联。

实验过程中，我们在赛道旁放置了一盏频闪LED灯（频率100Hz）模拟环境光干扰，并在赛道上撒少量灰尘模拟椒盐噪声。每组方案采集200帧图像，统计二值化后路径边缘的稳定性指标：

从实验结果可以看出，无预处理时边缘抖动频繁，路径宽度误差达到±6像素，这会导致PID控制器输出剧烈波动。仅使用高斯模糊虽然能减少部分噪声，但对椒盐噪声的抑制效果有限。中值滤波在减少孤立噪点方面表现突出，但单独使用时对高斯噪声的平滑不足。串联方案在各项指标上均表现最优，虽然处理耗时增加至4.1ms，但对于巡线机器人常用的30~60fps控制频率（每帧预算16~33ms）来说完全可接受。

3.5 常见误区与调优建议

误区一：滤波核越大越好。许多初学者认为增大核大小能更彻底地去除噪声，但忽略了边缘信息的损失。当核大小超过路径宽度的1/3时，二值化后的路径会出现明显收缩，导致巡线机器人切弯时偏离轨迹。

误区二：σ值随意设置。在OpenCV中，如果σ设为0，函数会根据核大小自动计算。但自动计算的值不一定适合所有场景。建议在光照变化较大的环境中手动设置σ=1.0~1.5，以获得更稳定的平滑效果。

误区三：忽略滤波对实时性的影响。在树莓派等嵌入式平台上，5×5中值滤波的耗时可能是3×3的3倍以上。如果控制周期紧张，应优先保证帧率，适当降低滤波强度。

调优建议：在实际调试中，建议先固定二值化阈值，然后逐一调整滤波参数，观察二值化图像的稳定性。一个实用的方法是：在赛道上放置一个标准测试图案（如黑白相间的条纹），调整滤波参数直到条纹边缘在二值化后保持平直且无断裂。此外，可以保存预处理前后的图像进行对比，帮助定位噪声来源——如果噪声在固定位置出现，可能是摄像头镜头污渍；如果噪声随机分布，则多为传感器热噪声。