图像预处理基础：色彩空间转换、图像滤波与去噪、直方图均衡化
各位同学，大家好。今天我们聊点真正干活的东西——图像预处理。
说实话，很多刚入行的同学觉得预处理就是“调参数”，随便搞搞就行。但我得告诉你，在真实的自动驾驶项目里，预处理做得好不好，直接决定了后面车道线检测的成败。我见过太多项目，模型结构改来改去效果上不去，最后发现是预处理环节出了问题。
好，我们直接进入正题。
一、色彩空间转换：为什么非转不可？
摄像头拍出来的原始图像，通常是RGB格式。但RGB有个问题——它对光照变化特别敏感。你想想看，白天和傍晚，同样的车道线，RGB三个通道的值可能差好几倍。
我个人习惯，在做车道线检测之前，先把图像转到HSV或YUV色彩空间。为什么？因为这两个空间把亮度信息和颜色信息分开了。
- HSV：H（色调）、S（饱和度）、V（明度）。车道线的颜色信息主要在H和S通道，而光照变化主要在V通道。我们可以在V通道做处理，不影响颜色信息。
- YUV：Y（亮度）、U和V（色度）。Y通道基本就是灰度图，适合做边缘检测。U和V通道包含颜色信息，适合做颜色分割。
举个例子，在OpenCV里转换很简单：
import cv2
# 读取图像
img = cv2.imread('road.jpg')
# RGB转HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# RGB转YUV
yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)二、图像滤波与去噪：别让噪声毁了你的边缘
摄像头传感器本身就有噪声，再加上路面颠簸、光线变化，原始图像里全是“毛刺”。如果不做滤波，后面提取边缘时，你会得到一堆假边缘。
常用的滤波方法有几种，我按使用频率排个序：
| 滤波方法 | 特点 | 我的使用场景 |
|---|---|---|
| 高斯滤波 | 平滑效果好，保留边缘 | 白天正常光照，最常用 |
| 中值滤波 | 对椒盐噪声效果极好 | 夜间或雨雪天气，传感器噪声大 |
| 双边滤波 | 保边去噪，但速度慢 | 需要保留车道线细节时用 |
代码实现也很直接：
import cv2
img = cv2.imread('road.jpg')
# 高斯滤波，核大小5x5
gaussian = cv2.GaussianBlur(img, (5, 5), 0)
# 中值滤波，核大小5
median = cv2.medianBlur(img, 5)
# 双边滤波，d=9, sigmaColor=75, sigmaSpace=75
bilateral = cv2.bilateralFilter(img, 9, 75, 75)三、直方图均衡化：让暗处的车道线“亮”起来
你有没有遇到过这种情况？车子开进隧道，图像突然变暗，车道线几乎看不见。或者逆光行驶，路面一片白茫茫。
这时候就需要直方图均衡化出手了。它的原理很简单：把图像的灰度分布“拉伸”开，让暗的地方变亮，亮的地方变暗，整体对比度提升。
我常用的有两种方式：
- 全局直方图均衡化：对整个图像做均衡。简单粗暴，但有时会过度增强噪声。
- 自适应直方图均衡化（CLAHE）：把图像分成小块，每块分别做均衡。效果更自然，不会出现“过曝”感。
看代码：
import cv2
# 读取灰度图
gray = cv2.imread('road.jpg', 0)
# 全局直方图均衡化
equalized = cv2.equalizeHist(gray)
# CLAHE自适应均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_result = clahe.apply(gray)重点来了：在车道线检测中，我强烈建议使用CLAHE。全局均衡化会把路面纹理也增强，导致很多假边缘。而CLAHE只增强局部对比度，车道线更清晰，噪声更少。
嗯，这里要注意一点：直方图均衡化最好在亮度通道上做。如果你用的是HSV空间，就在V通道做；如果是YUV，就在Y通道做。不要在RGB三个通道分别做，那样会破坏颜色平衡，出来的图像颜色会很奇怪。
四、本章知识体系总览
为了让你更直观地理解这三个预处理步骤的关系，我画了一张流程图：
你看，这三个步骤是有顺序的。先转色彩空间，把亮度和颜色分开；然后滤波去噪，把传感器噪声和路面纹理噪声去掉；最后做直方图均衡化，提升对比度。顺序不能乱，否则效果会打折扣。
好了，图像预处理的基础就讲到这里。这些内容看似简单，但每一个细节都值得你反复推敲。下次遇到车道线检测效果不好，先别急着改模型，回头看看预处理是不是出了问题。