企业官网建设流程全解析

上篇讲了相机标定的完整流程，从标定板选择、图片拍摄到参数求解和验证。标定之后拿到的是校正过的图像，但这些原始图像通常还需要进一步预处理才能用于后续的视觉算法。

面试时候被问"你做过哪些图像预处理"，很多人只会说"去噪和直方图均衡化"。但实际项目中的预处理远不止这些，而且不同的预处理方法选择背后都有讲究。

今天把图像预处理的核心技术系统讲一遍。从去噪、增强到直方图均衡化，每种方法的原理、适用场景和代码实现都讲清楚。

图像去噪

图像在采集和传输过程中不可避免地会引入噪声。常见的噪声类型有两种：高斯噪声和椒盐噪声。高斯噪声是每个像素值都叠加了一个小的随机扰动，看起来图像整体"发灰"；椒盐噪声是随机出现的黑白亮点，看起来像老式电视的雪花。

高斯滤波是最基础的去噪方法。用一个卷积核在图像上滑动，每个像素的值变成邻域像素的加权平均。OpenCV里直接用GaussianBlur：

import cv2 img = cv2.imread('noisy.jpg') # 高斯核大小必须是奇数 blurred = cv2.GaussianBlur(img, (5, 5), sigmaX=1.0)

高斯滤波的问题是会把边缘也模糊掉。你希望去掉噪声但保留物体的轮廓边界，这时候就需要更智能的方法。

双边滤波（Bilateral Filter）在去噪的同时能很好地保留边缘。它的原理是：不仅考虑像素的空间距离（离得近的权重大），还考虑像素值的相似度（值接近的权重大）。这样在边缘两侧，虽然空间距离近，但像素值差异大，权重就小，边缘就被保留了。

# 双边滤波 # d: 邻域直径，sigmaColor: 颜色空间标准差，sigmaSpace: 坐标空间标准差 denoised = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)

双边滤波的缺点是速度比较慢，因为每个像素都要计算邻域的权重。实时应用中可以考虑用引导滤波（Guided Filter）替代，效果接近但速度快很多。

非局部均值去噪（Non-local Means）是另一种效果很好的方法。它的思路是：对于图像中的每个小块，在整个图像中搜索相似的块，然后用这些相似块的加权平均来去噪。OpenCV提供了快速版本fastNlMeansDenoising：

# 灰度图去噪 denoised = cv2.fastNlMeansDenoising(gray, h=10, templateWindowSize=7, searchWindowSize=21) # 彩色图去噪 denoised_color = cv2.fastNlMeansDenoisingColored(img, h=10, hForColorComponents=10, templateWindowSize=7, searchWindowSize=21)

参数h控制去噪强度，越大去噪越强但细节损失也越多。一般从10开始调，根据效果增减。

中值滤波对椒盐噪声特别有效。它把每个像素的值替换为邻域内所有像素的中值，这样孤立的噪声点（特别亮或特别暗）就被去掉了。

# 中值滤波，核大小5x5 denoised = cv2.medianBlur(img, 5)

去噪方法的选择策略

实际项目中，选择哪种去噪方法取决于几个因素：噪声类型、实时性要求、以及后续算法的需求。

如果是高斯噪声（大多数传感器噪声都是这种类型），首选双边滤波或引导滤波，因为它们在去噪的同时能保留边缘。如果对实时性要求很高（比如视频流处理），双边滤波可能太慢，这时候可以用引导滤波或者简化版的双边滤波。

如果是椒盐噪声（比如图像传输中的丢包错误），中值滤波是最直接有效的选择。核大小根据噪声密度来定：噪声稀疏用3x3，噪声密集用5x5或7x7。

如果噪声比较复杂（混合类型），非局部均值去噪通常效果最好，但速度最慢。适合离线处理或者对质量要求极高的场景。

还有一种情况：如果你的后续算法是深度学习模型（比如目标检测、语义分割），预处理策略会有所不同。很多深度学习论文建议不做去噪，让网络自己学习处理噪声。因为去噪过程可能会丢失一些对网络有用的细节信息。但如果噪声特别严重（比如低照度下的高ISO噪声），适当的去噪还是有帮助的。

面试时候如果被问"你怎么选择去噪方法"，不要只回答"用XX滤波"。要把选择的理由讲清楚：噪声类型是什么、实时性要求多高、后续算法是什么、去噪效果怎么评估。这种回答才能体现你的工程思维。

图像增强

去噪之后，图像可能还存在对比度低、亮度不合适等问题。图像增强的目的是让图像中的有用信息更突出。

亮度与对比度调整是最基础的操作。OpenCV的convertScaleAbs可以一次性调整：

# alpha控制对比度（>1增加，<1降低），beta控制亮度（正值增亮，负值变暗） adjusted = cv2.convertScaleAbs(img, alpha=1.2, beta=10)

但这种方法有个问题：全局调整对比度可能会让某些区域过曝或者欠曝。更好的方法是自适应直方图均衡化，后面会讲。

Gamma校正用于调整图像的非线性亮度。人眼对暗部的变化更敏感，Gamma校正可以增强暗部细节或者压缩亮部细节：

import numpy as np def gamma_correction(img, gamma=1.0): """gamma < 1 增强暗部，gamma > 1 增强亮部""" inv_gamma = 1.0 / gamma table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype("uint8") return cv2.LUT(img, table) # 增强暗部细节 brightened = gamma_correction(img, gamma=0.5)

Gamma校正在机器人视觉中很常用。比如室外场景中，天空很亮但地面阴影区域很暗，用gamma < 1可以增强阴影区域的细节，让障碍物更容易被检测到。

面试中怎么聊

面试官问图像预处理，按这个框架回答：先说去噪（根据噪声类型选择高斯/双边/非局部均值/中值滤波），再说增强（亮度对比度调整、gamma校正），然后说直方图均衡化（全局vs CLAHE），最后说形态学操作（腐蚀膨胀开闭运算）。

关键是要说出为什么选某种方法，而不是只说"我用了XX滤波"。比如"因为要保留边缘所以用双边滤波"，"因为图像光照不均匀所以用CLAHE而不是全局均衡化"。这种回答说明你理解每种方法的适用场景和局限性。

如果面试官追问"预处理流程怎么设计"，你可以说：先分析图像的主要问题（噪声类型、对比度、光照条件），然后按顺序处理——先去噪，再增强对比度，最后根据后续算法的需要做特定的预处理（比如二值化前的形态学操作）。每一步的效果都要用后续算法的最终性能来评估，不能孤立地看预处理效果。

最后，如果面试官问"你怎么评估预处理的效果"，你可以说：预处理本身没有绝对的好坏标准，最终要看对下游任务的影响。比如去噪后目标检测的mAP有没有提升，增强后识别的准确率有没有提高。用量化指标来评估，而不是凭肉眼感觉。

补充一个实用建议：预处理流程中每一步都要保存中间结果，方便对比和调试。我一般会写一个工具函数，输入原始图像，输出每一步处理后的图像并排显示。这样你能直观地看到每一步的效果，快速定位哪一步处理出了问题。特别是在调参阶段，有个可视化的对比工具能省很多时间。面试时候如果你能描述这种工程化的调试习惯，也是加分项。

下一篇讲深度相机原理——结构光、ToF和双目视觉的对比和选型。

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列

上一篇：第152篇 相机标定实操——内参/外参/畸变系数的标定流程

下一篇预告：第154篇 深度相机原理对比——结构光/ToF/双目各自优劣

有任何问题欢迎评论区留言，我会尽量回复。