4、图像预处理：灰度化、直方图均衡化、高斯滤波

好，咱们进入实战前的第一道工序——图像预处理。

你想想看，相机拍出来的原始棋盘格照片，直接拿去提取角点，十有八九会出问题。光照不均匀、传感器噪声、色彩干扰……这些因素都会让角点检测算法"找不着北"。所以，在调用 cv2.findChessboardCorners 之前，我们必须先把图像"收拾干净"。

我个人习惯把预处理分成三个步骤：灰度化 → 直方图均衡化 → 高斯滤波。每一步都有它的道理，咱们一个一个说。

4.1 灰度化：去掉颜色，保留结构

棋盘格标定板本身就是黑白相间的图案。颜色信息对我们来说，其实是多余的。RGB 三个通道不仅增加了计算量，还会引入光照色温的干扰。

灰度化的本质，就是把每个像素从三维颜色空间映射到一维亮度空间。OpenCV 里最常用的方法是 cv2.cvtColor，用 COLOR_BGR2GRAY 标志。

import cv2

# 读取彩色图像
img_bgr = cv2.imread('chessboard.jpg')

# 灰度化
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

这里有个细节要注意：OpenCV 默认读取的图像是 BGR 顺序，不是 RGB。如果你用 cv2.imread 读图，千万别写成 COLOR_RGB2GRAY，否则颜色通道会乱掉。嗯，这个坑我踩过不止一次。

4.2 直方图均衡化：让暗部亮起来

灰度化之后，图像可能还存在一个问题：对比度不足。比如棋盘格放在阴影里，或者光照从一侧打过来，导致部分区域太暗、部分区域太亮。

直方图均衡化就是用来解决这个问题的。它通过重新分布像素的灰度值，让图像的直方图尽可能均匀地铺满整个灰度范围（0-255）。说白了，就是把暗的地方拉亮，亮的地方稍微压暗，让细节都显现出来。

# 直方图均衡化
img_eq = cv2.equalizeHist(img_gray)

就这么一行代码。但效果非常明显。

我记得有一次在工厂车间里做标定，现场灯光条件很差，棋盘格有一半都在阴影里。直接灰度化后提取角点，成功率不到 30%。加上直方图均衡化之后，成功率直接飙到 95% 以上。从那以后，直方图均衡化就成了我预处理流程里的"标配"。

4.3 高斯滤波：温柔地去除噪声

图像里总有一些"不速之客"——传感器噪声、灰尘颗粒、反光斑点。这些噪声在角点检测时会被误认为是棋盘格的角点，导致检测结果出现大量假阳性。

高斯滤波是一种线性平滑滤波器。它用高斯核与图像做卷积，每个像素的值被替换为邻域内像素的加权平均。权重由高斯分布决定：离中心越近的像素权重越大，越远的权重越小。这种"温柔"的平滑方式，能在去除噪声的同时，较好地保留边缘信息。

# 高斯滤波，核大小 5x5，标准差 1.0
img_blur = cv2.GaussianBlur(img_eq, (5, 5), 1.0)

参数 (5, 5) 是高斯核的大小，必须是奇数。1.0 是标准差 σ。这两个参数怎么选？我一般遵循一个经验法则：

核大小	σ 值	适用场景
3×3	0.5 - 0.8	噪声较少，图像清晰
5×5	1.0 - 1.5	中等噪声，通用场景
7×7	1.5 - 2.0	噪声较多，图像较粗糙

核越大、σ 越大，平滑效果越强，但边缘也会越模糊。对于棋盘格标定，我建议从 (5, 5) 和 σ=1.0 开始试。如果角点检测结果中有很多"假角点"，可以适当增大核尺寸；如果角点位置偏移明显，说明平滑过度了，需要减小核尺寸。

4.4 三步合一的完整代码

把上面三步串起来，就是咱们预处理的标准流程：

import cv2

def preprocess_image(image_path):
    # 1. 读取图像
    img = cv2.imread(image_path)
    if img is None:
        print("图像读取失败，请检查路径")
        return None

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

    # 3. 直方图均衡化
    eq = cv2.equalizeHist(gray)

    # 4. 高斯滤波
    blurred = cv2.GaussianBlur(eq, (5, 5), 1.0)

    return blurred

# 使用示例
processed_img = preprocess_image('chessboard.jpg')
if processed_img is not None:
    cv2.imwrite('processed_chessboard.jpg', processed_img)
    print("预处理完成，结果已保存")

这段代码可以直接复制到你的项目里用。我建议你把预处理封装成函数，这样后面标定多张图像时，只需要循环调用就行。

4.5 避坑指南

最后，分享几个我在项目中踩过的坑：

• 顺序不能乱。一定是先灰度化，再直方图均衡化，最后高斯滤波。如果把滤波放在均衡化之前，噪声会被均衡化放大，效果反而更差。
• 不要过度滤波。高斯滤波的目的是"去噪保边"，不是"磨皮"。滤波太强，棋盘格的角点会变得圆润，亚像素精度会下降。
• 直方图均衡化不是万能的。如果图像本身光照极不均匀（比如一半亮一半暗），建议改用 CLAHE（对比度受限自适应直方图均衡化）。这个后面章节会讲到。
• 保存中间结果。调试阶段，建议把灰度化、均衡化、滤波后的图像都保存一份。这样出了问题，可以快速定位是哪一步导致的。

好了，图像预处理这块就讲到这里。记住这三个步骤，它们是后续角点提取的"地基"。地基打牢了，后面的工作才能稳。