3. 图像预处理实战：高斯模糊、中值滤波、直方图均衡化、形态学操作、边缘检测
图像预处理，说白了就是给原始图像“洗把脸”。
摄像头直接拍出来的画面，往往带着噪声、光照不均、背景杂乱等问题。你要是直接把这种图扔给 YOLO，检测效果大概率会打折扣。我刚开始做项目时，就吃过这个亏——模型在实验室跑得好好的，一到现场就各种漏检。后来才发现，是预处理没跟上。
这一章，咱们就把 OpenCV 里最常用的几个预处理手段过一遍。它们分别是：高斯模糊、中值滤波、直方图均衡化、形态学操作（腐蚀与膨胀），以及Canny 边缘检测。
核心思路：预处理不是越复杂越好，而是要根据实际场景，选对工具、调好参数。目标只有一个——让后续的检测更稳、更快。
3.1 去噪：高斯模糊与中值滤波
噪声是图像处理里最常见的“敌人”。传感器热噪声、光线不足导致的颗粒感、传输过程中的干扰……都会让画面变脏。
3.1.1 高斯模糊
高斯模糊的原理，是用一个符合高斯分布的卷积核，对图像做加权平均。说白了，就是让每个像素的值，变成它周围像素的“加权平均值”。
这样做的好处是：平滑噪声，同时保留边缘的相对强度。但代价是图像会变模糊，细节会丢失。
我的经验：高斯模糊的核大小，一般取奇数。3x3 或 5x5 最常用。核越大，模糊越强，但计算量也越大。我一般从 5x5 开始试，效果不够再加。
import cv2
img = cv2.imread('frame.jpg')
# 高斯模糊，核大小 5x5，标准差自动计算
blurred = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow('Gaussian Blur', blurred)3.1.2 中值滤波
中值滤波，顾名思义，是用邻域内所有像素的中位数来替换中心像素的值。
它对付“椒盐噪声”（黑白点噪声）特别有效。为什么？因为中位数不受极端值影响。你想想看，一个白点周围全是黑点，取中位数后，白点就被“拉回”正常值了。
注意：中值滤波的核大小也必须为奇数。而且它比高斯模糊慢一些，尤其是核大了之后。实时处理时，建议用 3x3 或 5x5。
# 中值滤波，核大小 5
median = cv2.medianBlur(img, 5)
cv2.imshow('Median Filter', median)| 方法 | 适用噪声类型 | 边缘保留能力 | 速度 |
|---|---|---|---|
| 高斯模糊 | 高斯噪声、传感器噪声 | 中等 | 快 |
| 中值滤波 | 椒盐噪声、脉冲噪声 | 较好 | 中等 |
3.2 光照校正：直方图均衡化
你有没有遇到过这种情况？摄像头对着窗户拍，人脸黑成一团，背景却亮得刺眼。这就是光照不均。
直方图均衡化，就是用来解决这个问题的。它通过拉伸图像的灰度分布，让暗的地方变亮，亮的地方变暗，从而让细节更清晰。
3.2.1 全局直方图均衡化
OpenCV 里直接用 equalizeHist 就行。但注意，它只接受单通道灰度图。
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
equ = cv2.equalizeHist(gray)
cv2.imshow('Equalized', equ)3.2.2 CLAHE（自适应直方图均衡化）
全局均衡化有个问题：它会放大噪声，而且会让图像看起来不自然。我个人更推荐用 CLAHE。
CLAHE 把图像分成一个个小块，在每个块内做均衡化，然后用插值消除块之间的边界。效果更细腻，噪声控制也更好。
# 创建 CLAHE 对象，对比度限制 2.0，块大小 8x8
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(gray)
cv2.imshow('CLAHE', clahe_img)避坑指南：我曾经在一个夜间监控项目里，直接用全局均衡化，结果把背景噪声放大了好几倍，目标反而看不清。换成 CLAHE 后，效果立竿见影。所以，优先用 CLAHE，除非你确定场景光照很均匀。
3.3 形态学操作：腐蚀与膨胀
形态学操作，听起来高大上，其实就是对图像的形状做“腐蚀”或“膨胀”。
它们通常用于二值图像（黑白图），但也可以用在灰度图上。核心思想是用一个结构元素（比如 3x3 的矩形）在图像上滑动，做逻辑运算。
3.3.1 腐蚀
腐蚀，就是让白色区域“瘦一圈”。它会把物体边界上的像素“吃掉”。
有什么用？去除小的白色噪点，或者分离连在一起的物体。
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
eroded = cv2.erode(binary_img, kernel, iterations=1)3.3.2 膨胀
膨胀，正好相反，让白色区域“胖一圈”。
它用来填补物体内部的空洞，或者连接断裂的轮廓。
dilated = cv2.dilate(binary_img, kernel, iterations=1)3.3.3 开运算与闭运算
实际项目中，我们很少单独用腐蚀或膨胀。更常用的是它们的组合：
- 开运算：先腐蚀，再膨胀。用来去除小噪点，同时保持物体大小不变。
- 闭运算：先膨胀，再腐蚀。用来填补小空洞，同时保持物体大小不变。
# 开运算
opening = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)
# 闭运算
closing = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)我的习惯：在做目标检测前，如果背景有大量小噪点，我会先做一次开运算。如果目标内部有空洞，我会做一次闭运算。这两个操作，几乎成了我预处理流程里的“标配”。
3.4 边缘检测：Canny
边缘检测，是计算机视觉里最经典的任务之一。Canny 算法，又是其中最常用的。
它为什么好？因为它不是简单地找梯度大的点，而是经过了一系列精心设计的步骤：
- 高斯滤波：先平滑，减少噪声干扰。
- 计算梯度：用 Sobel 算子算出每个像素的梯度强度和方向。
- 非极大值抑制：只保留梯度方向上的局部最大值，让边缘变细。
- 双阈值检测：用高阈值和低阈值，区分强边缘、弱边缘和非边缘。
- 边缘连接：只保留与强边缘相连的弱边缘，断开孤立的弱边缘。
嗯，这里要注意：双阈值的选择，是 Canny 效果好坏的关键。
# Canny 边缘检测，低阈值 50，高阈值 150
edges = cv2.Canny(gray, 50, 150)
cv2.imshow('Canny Edges', edges)避坑指南：高阈值设得太高，会丢失真实边缘；设得太低，会保留大量噪声。我一般从 (50, 150) 开始调，然后根据效果微调。如果边缘太碎，就降低低阈值；如果噪声太多，就提高高阈值。
| 参数 | 作用 | 常见范围 |
|---|---|---|
| 低阈值 | 控制弱边缘的保留 | 30 - 80 |
| 高阈值 | 控制强边缘的保留 | 100 - 200 |
3.5 综合实战：一个完整的预处理流程
说了这么多，咱们来串一下。假设你拿到一张监控画面，光照不均，还有噪声。你会怎么做？
import cv2
img = cv2.imread('monitor.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 1. 去噪：中值滤波，去掉椒盐噪声
denoised = cv2.medianBlur(gray, 5)
# 2. 光照校正：CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
enhanced = clahe.apply(denoised)
# 3. 二值化（假设我们要做轮廓检测）
_, binary = cv2.threshold(enhanced, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 4. 形态学：开运算去噪点
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
# 5. 边缘检测
edges = cv2.Canny(cleaned, 50, 150)
cv2.imshow('Final Result', edges)总结一下：预处理没有固定公式。但你可以记住这个通用思路：去噪 → 光照校正 → 二值化 → 形态学清理 → 边缘检测。每一步的参数，都要根据你的实际场景去调。多试几次，你就能找到最适合自己项目的“配方”。