图像滤波与增强：从像素到视觉的实战优化

图像滤波和增强，说白了就是给图像「做美容」。但美容手法不对，反而会毁掉原始信息。我在嵌入式视觉项目里踩过不少坑，今天就把这些经验掰开揉碎讲给你听。

2.1 均值滤波：最简单的平滑，但代价不小

均值滤波的原理很简单：用邻域内所有像素的平均值代替中心像素。你想想看，这就像把一块布在脏玻璃上抹过去——整体干净了，但细节也糊了。

// C语言实现3x3均值滤波（针对8位灰度图）
void boxFilter_3x3(uint8_t *src, uint8_t *dst, int width, int height) {
    int sum;
    for (int y = 1; y < height - 1; y++) {
        for (int x = 1; x < width - 1; x++) {
            sum = 0;
            for (int ky = -1; ky <= 1; ky++)
                for (int kx = -1; kx <= 1; kx++)
                    sum += src[(y + ky) * width + (x + kx)];
            dst[y * width + x] = sum / 9;
        }
    }
}

核大小	平滑程度	边缘保留	计算量
3×3	低	一般	9次加法+1次除法
5×5	中	较差	25次加法+1次除法
7×7	高	差	49次加法+1次除法

2.2 高斯滤波：更自然的平滑方式

高斯滤波和均值滤波的区别在哪？均值滤波「一视同仁」，高斯滤波「远近亲疏」——离中心越近的像素权重越大。这更符合自然图像的统计特性。

我个人习惯用 σ（标准差）来控制平滑强度。σ 越大，核中心的权重越分散，平滑效果越强。

// 生成5x5高斯核（σ=1.0）
float gaussianKernel_5x5[5][5] = {
    {1,  4,  7,  4,  1},
    {4, 16, 26, 16,  4},
    {7, 26, 41, 26,  7},
    {4, 16, 26, 16,  4},
    {1,  4,  7,  4,  1}
};
// 归一化因子：273

2.3 中值滤波：椒盐噪声的克星

中值滤波不取平均，取中位数。这招对付椒盐噪声特别管用。为什么？因为噪声点通常是极值（0或255），取中位数时会被直接跳过。

我记得有一次做工业质检，摄像头采集的图像上全是黑白噪点。均值滤波搞不定，高斯滤波也糊。换成3×3中值滤波，一次通过。

// 3x3中值滤波核心（快速选择算法）
uint8_t median_3x3(uint8_t window[9]) {
    // 使用冒泡排序只排前5个
    for (int i = 0; i < 5; i++) {
        for (int j = i + 1; j < 9; j++) {
            if (window[i] > window[j]) {
                uint8_t tmp = window[i];
                window[i] = window[j];
                window[j] = tmp;
            }
        }
    }
    return window[4]; // 第5个就是中位数
}

2.4 直方图均衡化：让暗部亮起来

直方图均衡化（HE）的原理很简单：把像素值的分布「拉平」。原本集中在暗区的像素会被拉伸到整个0-255范围。

但这里有个坑——HE是全局操作。如果图像本身有亮区和暗区，均衡化后亮区会过曝，暗区会过暗。我曾在车载夜视项目里吃过这个亏。

// 直方图均衡化核心步骤
void histogramEqualize(uint8_t *img, int size) {
    int hist[256] = {0};
    int cdf[256] = {0};
    
    // 1. 统计直方图
    for (int i = 0; i < size; i++)
        hist[img[i]]++;
    
    // 2. 计算累积分布函数
    cdf[0] = hist[0];
    for (int i = 1; i < 256; i++)
        cdf[i] = cdf[i-1] + hist[i];
    
    // 3. 映射像素值
    int cdf_min = cdf[0];
    for (int i = 0; i < size; i++)
        img[i] = (uint8_t)((cdf[img[i]] - cdf_min) * 255.0f / (size - cdf_min));
}

2.5 自适应直方图均衡化：局部才是王道

为了解决全局HE的问题，自适应直方图均衡化（AHE）出现了。它把图像分成小块，每块单独做均衡化。

但AHE有个新问题：噪声会被放大。尤其是在平坦区域，一点点噪声经过局部均衡化后，会变成明显的颗粒感。

解决方案是限制对比度——CLAHE（Contrast Limited AHE）。我建议把裁剪阈值设在2-4之间，效果最好。

2.6 实战选择指南

说了这么多，到底该用哪个？我整理了一个决策流程，你在项目里可以直接套用：

1. 先判断噪声类型：椒盐噪声→中值滤波；高斯噪声→高斯滤波；混合噪声→先中值后高斯
2. 再评估计算资源：MCU平台→均值滤波+查表法HE；ARM Linux→高斯滤波+CLAHE
3. 最后看应用场景：人脸检测→CLAHE（增强局部特征）；文字识别→高斯滤波（平滑背景）