3. 图像预处理实战：高斯滤波、中值滤波、直方图均衡化、形态学操作

图像预处理，说白了就是给原始图像“洗个澡”。

我做了这么多年视觉项目，发现一个规律：预处理做得好，后续算法事半功倍；预处理糊弄过去，后面调参调到怀疑人生。 尤其是做缺陷检测，光照不稳定、噪声干扰、对比度不足，这些问题不解决，边缘检测和Blob分析根本没法用。

这一章，咱们就把预处理这四板斧练扎实：高斯滤波、中值滤波、直方图均衡化、形态学操作。每个我都会结合项目里的实际坑点来讲。

3.1 高斯滤波：平滑噪声，保留边缘

高斯滤波是视觉工程师最常用的滤波器。它的原理很简单——用一个高斯核跟图像做卷积，每个像素的值被它周围像素的加权平均替代，权重由高斯分布决定。

为什么用高斯核而不是均值核？

因为高斯核给中心像素更高的权重，边缘像素权重低。这样平滑噪声的同时，能尽量保留边缘细节。均值核是“一刀切”，容易把边缘也抹糊了。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('defect_sample.jpg', cv2.IMREAD_GRAYSCALE)

# 高斯滤波
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 0)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Gaussian Blur', gaussian_blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

3.2 中值滤波：对付椒盐噪声的利器

中值滤波的原理更直接——把窗口内的像素排序，取中间值替代中心像素。

它最擅长处理椒盐噪声（黑白点噪声）。 为什么？因为椒盐噪声的像素值要么极亮要么极暗，排序后它们会被挤到两端，中间值大概率是正常像素。

我曾经在一个PCB焊点检测项目里遇到过这种情况：图像上有大量随机出现的白点和黑点，高斯滤波怎么调都去不干净。换成中值滤波，3×3核，一遍就干净了。

# 中值滤波
median_blur = cv2.medianBlur(img, 3)

# 对比一下效果
cv2.imshow('Median Blur', median_blur)

3.3 直方图均衡化：让暗部细节“浮”出来

直方图均衡化，说白了就是把图像的灰度分布“拉平”。

想象一下：一张图像如果整体偏暗，它的直方图会集中在低灰度区域。均衡化就是把这些像素“摊开”到整个0-255范围，让暗部细节变得可见。

什么时候用？

• 光照不均匀的图像
• 对比度太低的图像
• 缺陷和背景灰度接近时

# 全局直方图均衡化
equ = cv2.equalizeHist(img)

# 对比显示
cv2.imshow('Equalized', equ)

不过，全局均衡化有个问题——它会放大噪声。我有个项目是做金属表面划痕检测，原图噪声不大，均衡化之后噪声全出来了，划痕反而被噪声淹没了。

解决方案：CLAHE（限制对比度自适应直方图均衡化）

# CLAHE 均衡化
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
clahe_img = clahe.apply(img)

cv2.imshow('CLAHE', clahe_img)

3.4 形态学操作：腐蚀、膨胀、开闭运算

形态学操作是基于图像形状的“数学游戏”。它主要用在二值图像上，但灰度图也能用。

四个基本操作：

# 定义结构元素（核）
kernel = np.ones((3, 3), np.uint8)

# 腐蚀
erosion = cv2.erode(img, kernel, iterations=1)

# 膨胀
dilation = cv2.dilate(img, kernel, iterations=1)

# 开运算
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

# 闭运算
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

3.5 本章知识体系

下面这张图把本章的核心逻辑串起来了。你看一遍就能明白：预处理不是乱做，而是有章可循的。

3.6 实战建议：预处理流程怎么搭

我一般按这个顺序来搭预处理流水线：

1. 先看图像——用imshow看一眼，判断噪声类型和对比度情况
2. 去噪声——椒盐噪声用中值滤波，高斯噪声用高斯滤波
3. 增强对比度——用CLAHE，别用全局均衡化
4. 二值化——用Otsu或自适应阈值
5. 形态学修复——开运算去噪点，闭运算填孔洞