4、图像预处理实战：色彩空间转换（BGR2GRAY/HSV）、高斯滤波与中值滤波、直方图均衡化

图像预处理，说白了就是给原始图像“洗个澡”，让它更适合后续的算法处理。我在做目标跟踪项目时，经常遇到光线突变、噪声干扰的情况，这时候预处理做得好不好，直接决定了跟踪的成败。

今天咱们就聊聊三个最常用的预处理手段：色彩空间转换、滤波去噪、直方图均衡化。嗯，这些都是我每天都会用到的“老伙计”。

4.1 色彩空间转换：BGR→GRAY 与 BGR→HSV

OpenCV 默认读取的图像是 BGR 格式，不是我们熟悉的 RGB。这一点刚入坑时坑了我好几次。你想想看，用 matplotlib 显示图像时颜色全乱套了，就是因为通道顺序搞反了。

为什么要转灰度？说白了，灰度图只有一个通道，计算量小得多。在目标跟踪中，很多算法（比如光流法、模板匹配）都是在灰度图上跑的。我个人的习惯是：只要不需要颜色信息，一律先转灰度。

  核心函数：

  cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) — BGR 转灰度

  cv2.cvtColor(img, cv2.COLOR_BGR2HSV) — BGR 转 HSV

HSV 色彩空间就更有意思了。H 是色调，S 是饱和度，V 是明度。为什么跟踪时喜欢用 HSV？因为颜色信息集中在 H 通道，不受光照变化影响。我在做行人跟踪时，就靠 H 通道来区分不同颜色的衣服，效果比 BGR 好太多了。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('track_target.jpg')

# 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 转HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 提取H通道（用于颜色跟踪）
h_channel = hsv[:, :, 0]

小技巧： 做颜色目标跟踪时，先用 cv2.inRange() 在 HSV 空间做阈值分割，比在 BGR 空间稳定得多。比如跟踪红色物体，H 值范围设在 0~10 和 160~180 即可。

4.2 高斯滤波与中值滤波

图像噪声是跟踪的大敌。传感器热噪声、光照闪烁、传输丢包，都会产生噪点。滤波就是把这些“坏点”抹掉。

高斯滤波是线性滤波，它用高斯核做加权平均。说白了，就是中心像素的权重最大，越往边缘权重越小。适合处理高斯噪声（比如传感器噪声）。

中值滤波是非线性的，它取邻域内所有像素的中值。这个对椒盐噪声（黑白点噪声）特别有效。我记得有一次做无人机跟踪，画面里全是白点，用高斯滤波怎么调都没用，换成中值滤波一下就干净了。

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.5)

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

滤波类型	核大小	适用噪声	计算速度	边缘保留
高斯滤波	3×3, 5×5, 7×7	高斯噪声	快	一般
中值滤波	3×3, 5×5	椒盐噪声	中等	较好

注意： 核大小必须是奇数。我见过有人写成 (4, 4)，结果程序直接报错。另外，核越大图像越模糊，实时跟踪时建议用 3×3 或 5×5，别贪大。

4.3 直方图均衡化

直方图均衡化，说白了就是把图像的灰度分布“拉平”。如果图像太暗或太亮，细节都藏在暗处或亮处，均衡化后就能看清了。

我曾经在黄昏时分做车辆跟踪，画面整体偏暗，车身的轮廓根本看不清。用了直方图均衡化后，对比度一下子提上来了，跟踪框终于能锁住车了。

# 全局直方图均衡化（仅适用于灰度图）
equ = cv2.equalizeHist(gray)

# 自适应直方图均衡化（CLAHE，推荐）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_result = clahe.apply(gray)

  为什么推荐 CLAHE？

  全局均衡化会把整个图像的对比度拉平，容易放大噪声。CLAHE 在局部区域做均衡化，效果更自然。我在实际项目中几乎只用 CLAHE。

CLAHE 有两个参数：clipLimit 控制对比度限制（默认 2.0），tileGridSize 控制局部块大小（默认 8×8）。数值越大，增强效果越明显，但噪声也会被放大。嗯，这个需要根据实际场景调参。

4.4 实战组合拳

在实际的目标跟踪流程中，我通常这样组合预处理：

第一步： 读图，转 HSV（如果需要颜色跟踪）或转灰度
第二步： 中值滤波去噪（核大小 3×3 或 5×5）
第三步： CLAHE 增强对比度
第四步： 送入跟踪算法（如 KCF、CSRT）

def preprocess_pipeline(img):
    # 转灰度
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 中值滤波去噪
    denoised = cv2.medianBlur(gray, 5)
    # CLAHE 增强
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(denoised)
    return enhanced

我的经验： 在嵌入式设备上（比如树莓派、Jetson Nano），滤波和均衡化都很耗时。建议用 3×3 核，CLAHE 的 tileGridSize 用 8×8，别用 16×16，否则帧率会掉得厉害。

好了，图像预处理这块就聊到这儿。这些方法看着简单，但用好了能解决很多实际问题。下次遇到跟踪失败的情况，不妨先检查一下预处理环节——八成是这里出了问题。

📚 课程目录

4、图像预处理实战：色彩空间转换（BGR2GRAY/HSV）、高斯滤波与中值滤波、直方图均衡化

4.1 色彩空间转换：BGR→GRAY 与 BGR→HSV

4.2 高斯滤波与中值滤波

4.3 直方图均衡化

4.4 实战组合拳