📚 课程目录第3章图像基础与预处理（下）

3. 图像基础与预处理（下）

好，咱们接着聊。上一节我们把图像的基本概念和简单预处理讲完了，这一节要动真格的了——滤波、边缘检测、形态学操作。这三个东西，说白了就是自动驾驶感知系统的“眼睛清洗剂”和“轮廓笔”。

我刚开始做车道线检测的时候，觉得原始图像直接扔进算法就能出结果。结果呢？噪声大得离谱，车道线边缘跟狗啃的一样。后来才明白，预处理这一步没做好，后面全是白费功夫。

3.1 图像滤波：给图像“去噪”

滤波是什么？你可以把它想象成用一块抹布在图像上擦一遍。抹布擦过的地方，像素值被重新计算，噪声就被抹平了。

3.1.1 高斯滤波

高斯滤波是我个人最常用的滤波器。它的核心思想很简单：离中心点越近的像素，权重越大；越远的，权重越小。权重分布服从高斯函数，也就是正态分布。

为什么用高斯？因为自然界的噪声大多服从高斯分布，用高斯滤波去匹配它，效果最好。我在项目中遇到过一种情况：车道线被路面上的小石子反光干扰，用高斯滤波轻轻一过，那些小亮点就消失了，而车道线本身还保留得很好。

代码实现也很直接：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('lane.jpg')

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

# 显示结果
cv2.imshow('Gaussian Blur', gaussian_blur)
cv2.waitKey(0)

我的小技巧： 核大小选奇数，3、5、7都行。标准差一般取1.0到2.0之间。太大图像会糊，太小去噪效果差。我习惯先设1.5，看效果再微调。

3.1.2 中值滤波

中值滤波跟高斯滤波的思路完全不同。它不搞加权平均那一套，而是把窗口内的像素值排序，取中间那个值作为新像素值。

你想想看，如果图像里有椒盐噪声（就是那种黑白点），高斯滤波只能把它变淡，但中值滤波能直接把它干掉。为什么？因为椒盐噪声的像素值要么极大要么极小，排序后肯定在两端，中间值根本轮不到它。

我曾经在一个雨夜场景里测试车道线检测，图像上全是雨水反光造成的亮点。高斯滤波搞不定，中值滤波一上，效果立竿见影。

# 中值滤波，核大小5
median_blur = cv2.medianBlur(img, 5)

注意： 中值滤波的核大小也必须奇数。而且它比较耗时，核越大越慢。实时系统里慎用大核。

3.2 边缘检测：找到图像的“轮廓”

滤波做完了，图像干净了。接下来要干嘛？找边缘。车道线本质上就是图像中的边缘——路面和车道线之间的灰度突变。

3.2.1 Sobel算子

Sobel算子是最基础的边缘检测方法。它用两个3x3的卷积核，一个检测水平方向的变化，一个检测垂直方向的变化。

说白了，Sobel就是在算梯度。图像中灰度变化剧烈的地方，梯度值就大，那就是边缘。

# Sobel边缘检测
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)  # 水平方向
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)  # 垂直方向

# 合并两个方向
sobel_combined = cv2.magnitude(sobel_x, sobel_y)

嗯，这里要注意：Sobel对噪声比较敏感。所以我的习惯是——先高斯滤波，再做Sobel。顺序不能反。

3.2.2 Canny边缘检测

Canny是边缘检测里的“扛把子”。它比Sobel复杂，但效果也更好。Canny的流程大致是：

高斯滤波去噪
计算梯度幅值和方向
非极大值抑制（只保留梯度方向上的最大值）
双阈值检测（高阈值确定强边缘，低阈值连接弱边缘）

为什么Canny效果好？因为它做了“非极大值抑制”，把那些模糊的、不清晰的边缘都去掉了，只留下最锐利的线条。我在做车道线检测时，Canny几乎是标配。

# Canny边缘检测
# 参数：低阈值50，高阈值150
edges = cv2.Canny(img, 50, 150)

  核心经验： Canny的阈值怎么调？我一般先设低阈值50，高阈值150。如果边缘太多（噪声多），就提高低阈值；如果边缘太少（漏检），就降低高阈值。高低阈值比例保持在1:2到1:3之间。

3.3 形态学操作：修整边缘

边缘检测完了，你以为就结束了？不，车道线边缘可能断断续续的，或者有毛刺。这时候就需要形态学操作来“修一修”。

3.3.1 膨胀与腐蚀

膨胀和腐蚀是形态学操作的基础。它们都用一个结构元素（比如3x3的矩形）在图像上滑动。

腐蚀： 结构元素覆盖的区域中，只要有一个像素是0，中心点就变成0。说白了就是“瘦身”，把边缘往里缩。
膨胀： 结构元素覆盖的区域中，只要有一个像素是1，中心点就变成1。说白了就是“增肥”，把边缘往外扩。

我记得有一次，车道线因为路面磨损变得很细，Canny检测出来断断续续的。我用膨胀操作把线条加粗，断开的点就连上了。

# 定义结构元素
kernel = np.ones((3,3), np.uint8)

# 腐蚀
eroded = cv2.erode(edges, kernel, iterations=1)

# 膨胀
dilated = cv2.dilate(edges, kernel, iterations=1)

3.3.2 开运算与闭运算

开运算 = 先腐蚀后膨胀。闭运算 = 先膨胀后腐蚀。

开运算用来去除小噪点。比如图像上有些孤立的白点，先腐蚀把它们消掉，再膨胀恢复原来的大小。闭运算用来填充小空洞。比如车道线中间有个小缺口，先膨胀填上，再腐蚀恢复原状。

我建议你记住这个口诀：开运算去噪点，闭运算填空洞。

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

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

避坑指南： 我曾经在一条有阴影的道路上做检测，阴影导致车道线中间出现大量空洞。用闭运算一次就搞定了。但要注意迭代次数别太多，否则会把不该连的东西连在一起。

3.4 本章知识体系

下面这张图把本章的核心逻辑串起来了。你可以把它当作一个处理流水线：

你看，整个流程是串行的：原始图像 → 滤波去噪 → 边缘检测 → 形态学修整。每一步都依赖上一步的结果。我在实际项目中，经常在这个流水线上来回调试参数，直到车道线边缘清晰、连续、没有噪声为止。

好了，这一节的内容就到这儿。记住一句话：预处理做得好，后面算法跑得顺。别嫌麻烦，多调几次参数，你会找到感觉的。