3. OpenCV图像预处理实战

图像预处理，说白了就是给算法“洗菜”。你想想看，产线上拍出来的图，光照忽明忽暗、产品表面有灰尘、镜头还有噪点——这种脏数据直接扔给 YOLO，它根本学不明白。我做了这么多年视觉项目，可以负责任地告诉你：预处理做得好，模型训练事半功倍；预处理糊弄事，调参调到怀疑人生。

这一章，咱们就把 OpenCV 里最常用的几个预处理操作挨个过一遍。我会结合工业场景，告诉你每个操作到底解决什么问题，以及我踩过的坑。

3.1 图像缩放：统一输入尺寸

YOLO 要求输入尺寸固定，比如 416×416 或 640×640。但产线上相机拍出来的图，分辨率五花八门。所以第一步，必须把图缩放到统一尺寸。

OpenCV 里用 cv2.resize()，我个人习惯用 INTER_LINEAR 做放大，INTER_AREA 做缩小。为什么？INTER_AREA 在缩小时能有效避免摩尔纹，这在检测细小的划痕或针脚时特别重要。

import cv2

img = cv2.imread('product.jpg')
# 缩放到 YOLO 标准输入
resized = cv2.resize(img, (416, 416), interpolation=cv2.INTER_AREA)

3.2 灰度化：降维打击

彩色图有三个通道，灰度图只有一个。对于很多工业检测任务，颜色信息其实没用——比如检测划痕、裂纹、尺寸。去掉颜色，计算量直接降到三分之一。

用 cv2.cvtColor() 就行。但注意：别在灰度化之前做滤波。先灰度化再滤波，效率更高。

gray = cv2.cvtColor(resized, cv2.COLOR_BGR2GRAY)

3.3 高斯滤波：干掉噪点

工业相机在弱光环境下，噪点特别明显。高斯滤波就是用一个“模糊核”滑过整张图，把每个像素替换成周围像素的加权平均。权重符合高斯分布——离中心越近，权重越大。

核大小选多少？我一般用 5×5。太小了去不掉噪点，太大了边缘也糊了。对于检测精细特征（比如 PCB 焊点），3×3 就够了。

blurred = cv2.GaussianBlur(gray, (5, 5), 0)

第三个参数 sigmaX 设 0，OpenCV 会自动根据核大小计算标准差。嗯，省心。

3.4 直方图均衡化：让暗部亮起来

产线上光照不均匀是常态。有时候产品左边亮右边暗，或者整体偏暗。直方图均衡化能拉伸像素值的分布范围，让暗的地方变亮，亮的地方更均匀。

OpenCV 提供 cv2.equalizeHist()，但只接受单通道。所以先灰度化，再均衡化。

equalized = cv2.equalizeHist(blurred)

效果立竿见影。我曾经做过一个手机中框划痕检测项目，车间灯光从侧面打过来，中框一半亮一半暗。均衡化之后，划痕在整个中框上都清晰可见，检测率从 82% 直接跳到 96%。

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(blurred)

3.5 形态学操作：修修补补

形态学操作处理二值图（黑白图）最拿手。但灰度图也能用。核心操作就四个：腐蚀、膨胀、开运算、闭运算。

举个例子。检测螺丝有没有拧紧，需要提取螺纹边缘。但图像上可能有灰尘颗粒（小白点），螺纹中间也可能有断点。这时候：

• 先做开运算，去掉灰尘颗粒
• 再做闭运算，把断开的螺纹连起来

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))

# 开运算：先腐蚀后膨胀
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 闭运算：先膨胀后腐蚀
closing = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

3.6 完整预处理流水线

实际项目中，这些操作是串在一起的。我一般按这个顺序：

1. 读取图像 → cv2.imread()
2. 缩放 → 统一到 YOLO 输入尺寸
3. 灰度化 → 降维
4. 高斯滤波 → 去噪
5. 直方图均衡化 → 增强对比
6. 形态学操作 → 修整特征
7. 二值化（如果需要） → cv2.threshold()

def preprocess_pipeline(img_path):
    # 1. 读取
    img = cv2.imread(img_path)
    # 2. 缩放
    img = cv2.resize(img, (416, 416), interpolation=cv2.INTER_AREA)
    # 3. 灰度化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 4. 高斯滤波
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    # 5. 直方图均衡化
    equalized = cv2.equalizeHist(blurred)
    # 6. 二值化（OTSU自动阈值）
    _, binary = cv2.threshold(equalized, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 7. 形态学开运算去噪
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
    return cleaned