📚 课程目录第4章图像预处理基础

4、图像预处理基础：灰度化、直方图均衡化、高斯滤波、中值滤波的原理与OpenCV实现

图像预处理，说白了就是给原始图像“洗把脸”。

在工业缺陷检测里，相机拍回来的图往往带着各种“脏东西”——光照不均、传感器噪声、背景纹理干扰。你直接拿这些图去做检测，算法很容易被带偏。我刚开始做项目时，就吃过这个亏。当时一个手机玻璃盖板划痕检测项目，死活跑不出效果，折腾了两周才发现是光源频闪导致的灰度波动没处理。

从那以后，我养成了一个习惯：预处理做扎实了，后面的算法才能站得住脚。

核心观点：预处理不是“可有可无的步骤”，它是整个检测流程的基石。你花在预处理上的每一分钟，都会在后续算法调试中加倍回报给你。

4.1 灰度化：扔掉颜色，保留结构

工业相机拍出来的图，大部分是彩色图（BGR格式）。但缺陷检测真的需要颜色信息吗？

说实话，90%的工业场景不需要。划痕、凹坑、脏污、裂纹——这些缺陷在灰度图上就已经足够明显。彩色图反而会引入额外的计算量和干扰。

灰度化的本质，就是把每个像素的R、G、B三个通道，按一定权重合并成一个值。OpenCV里最常用的方法是：

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

这行代码背后，OpenCV用的是这个公式：

Gray = 0.299 * R + 0.587 * G + 0.114 * B

为什么权重不一样？因为人眼对绿色最敏感，对蓝色最不敏感。这个权重是心理学实验测出来的，咱们直接用就行。

我的经验：如果你处理的图像是单色光源（比如红光照明），可以考虑直接用单通道提取。比如用红光照明，直接取R通道的效果往往比标准灰度化更好。我在一个金属表面划痕项目中试过，对比度提升了约15%。

4.2 直方图均衡化：让暗的地方亮起来

你想想看，如果一张图整体偏暗，或者整体偏亮，缺陷区域和背景的对比度就会很低。这时候就需要直方图均衡化出手了。

直方图均衡化的原理，说白了就是把像素值的分布“拉平”。原本集中在某个小范围的灰度值，被映射到整个0-255区间。这样暗的地方变亮，亮的地方变暗，对比度就上来了。

OpenCV实现分两种：

方法	适用场景	代码
全局均衡化	光照整体不均匀	`cv2.equalizeHist(gray)`
CLAHE（自适应）	局部光照差异大	`cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))`

这里我要特别说一下CLAHE。全局均衡化有个毛病——它会放大噪声。尤其是图像中原本比较均匀的区域，均衡化后会出现“块状感”。

避坑指南：我曾经在一个PCB焊点检测项目里，直接用全局均衡化，结果把背景纹理的噪声放大了，导致误检率飙升到30%。后来换成CLAHE，把clipLimit设到2.0，tileGridSize用8x8，误检率直接降到3%以下。记住：工业场景优先用CLAHE。

import cv2

# 全局均衡化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
eq_global = cv2.equalizeHist(gray)

# CLAHE自适应均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
eq_clahe = clahe.apply(gray)

4.3 高斯滤波：温柔的模糊

高斯滤波是工业视觉里最常用的平滑滤波器。它的核心思想很简单：用邻域像素的加权平均来替代中心像素。权重由高斯函数决定，离中心越近的像素权重越大。

为什么叫“高斯”？因为权重分布服从高斯分布（正态分布）。

OpenCV里一行代码搞定：

blurred = cv2.GaussianBlur(gray, (5,5), sigmaX=1.5)

参数说明：

核大小 (5,5)：必须是奇数。核越大，模糊越强，但细节丢失也越多。
sigmaX：X方向的标准差。一般设1.0-2.0之间。如果设为0，OpenCV会根据核大小自动计算。

关键点：高斯滤波擅长处理高斯噪声——也就是那种在图像上随机分布的、幅度符合高斯分布的噪声。这种噪声在工业场景中很常见，比如传感器热噪声、低光照下的电子噪声。

我个人的习惯是：先试5x5核，sigmaX=1.5。如果噪声还明显，再加大核大小。但要注意，核太大容易把缺陷边缘也模糊掉。在一个轴承表面划痕项目里，我用7x7的核，结果把细划痕直接抹平了……后来换回5x5才搞定。

4.4 中值滤波：专治“椒盐噪声”

中值滤波的思路和高斯滤波完全不同。它不是算平均，而是取邻域内所有像素值的中位数来替代中心像素。

这招对“椒盐噪声”特别有效。什么是椒盐噪声？就是图像上随机出现的黑白点——像撒了盐和胡椒一样。这种噪声在工业相机传输过程中偶尔会出现，尤其是线缆接触不良的时候。

median = cv2.medianBlur(gray, ksize=5)

参数ksize也是奇数。3、5、7是常用值。

为什么中值滤波能干掉椒盐噪声？你想想看，一个黑点（像素值0）周围都是正常像素（比如值128），取中位数后，这个黑点就被“拉回”到正常值了。而高斯滤波遇到这种情况，会把黑点的影响“扩散”到周围，反而让一片区域都变暗。

我的经验：中值滤波的核大小不要超过7。我见过有人用9x9甚至11x11，结果图像变得像油画一样，细节全没了。工业场景里，3x3或5x5基本够用。

4.5 如何选择？一张表说清楚

噪声类型	推荐滤波器	典型参数	注意事项
高斯噪声（传感器热噪声）	高斯滤波	核5x5, sigmaX=1.5	核太大会模糊边缘
椒盐噪声（传输干扰）	中值滤波	核3x3或5x5	核不要超过7x7
均匀噪声（光照波动）	高斯滤波 + CLAHE	先滤波后均衡化	顺序不能反
混合噪声	先中值后高斯	中值3x3 + 高斯5x5	先去除离群点再平滑

4.6 完整预处理流水线

在实际项目中，我通常会把这几个步骤串起来。下面是一个典型的预处理流水线：

import cv2
import numpy as np

def preprocess_pipeline(img_path):
    # 1. 读取图像
    img = cv2.imread(img_path)
    if img is None:
        raise ValueError("图像读取失败，检查路径")

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

    # 3. CLAHE自适应均衡化
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    enhanced = clahe.apply(gray)

    # 4. 判断噪声类型并滤波
    # 这里简单起见，先用高斯滤波
    filtered = cv2.GaussianBlur(enhanced, (5,5), sigmaX=1.5)

    # 如果发现椒盐噪声，可以再加一步中值滤波
    # filtered = cv2.medianBlur(filtered, 3)

    return filtered

重要提醒：预处理不是越复杂越好。我见过有人把预处理搞了七八步，结果图像质量反而下降了。记住一个原则：能用一步解决的，绝不用两步。每多一步，都会引入额外的信息损失。

嗯，到这里，图像预处理的基础内容就差不多了。灰度化帮你扔掉冗余的颜色信息，直方图均衡化让对比度拉满，高斯滤波和中值滤波各司其职。把这些基础打牢了，后面做缺陷分割、特征提取的时候，你会省很多力气。