圖像預處理是計算機視覺任務（如目標檢測、圖像分割、人臉識別）的基礎步驟，核心目的是消除圖像中的噪聲、提升對比度、修正幾何畸變等，為后續高階處理提供高質量輸入。以下先系統梳理經典算法，再通過Python實現2個高頻應用算法（直方圖均衡化、中值濾波）。
一、圖像預處理經典算法梳理
根據處理目標，可將經典算法分為5大類，每類包含核心算法、原理、目的及應用場景：
1. 幾何變換類（修正空間畸變）
針對圖像的空間位置或形狀偏差，調整像素坐標以滿足后續對齊、裁剪等需求。
| 算法 | 原理 | 核心目的 | 應用場景 |
|---|---|---|---|
| 平移 | 對所有像素按指定偏移量（dx, dy）移動，公式：(x’, y’) = (x+dx, y+dy) | 調整圖像位置 | 圖像拼接、目標定位校準 |
| 旋轉 | 以某點（如中心）為原點，按角度θ旋轉，需處理像素插值避免模糊 | 修正圖像傾斜 | 文檔掃描（矯正傾斜文字） |
| 縮放 | 按比例（fx, fy）放大/縮小像素，常用雙線性插值提升畫質 | 統一圖像尺寸 | 神經網絡輸入標準化（如224x224） |
| 翻轉 | 水平翻轉（左右鏡像）或垂直翻轉（上下鏡像） | 數據增強、修正視角 | 人臉識別（增加樣本多樣性） |
2. 圖像增強類（提升視覺質量）
通過調整像素灰度/顏色分布，增強圖像的細節對比度，解決低光照、模糊等問題。
| 算法 | 原理 | 核心目的 | 應用場景 |
|---|---|---|---|
| 全局直方圖均衡化 | 拉伸像素灰度分布，使直方圖趨于均勻（映射灰度累積概率） | 提升整體對比度 | 醫學圖像（如X光片）、低光照片 |
| CLAHE（自適應直方圖均衡化） | 將圖像分塊，對每塊單獨均衡化，限制對比度避免過增強 | 增強局部細節（如暗區） | 逆光照片、監控圖像 |
| 伽馬校正 | 通過冪函數（O = I^γ）調整灰度：γ<1提亮，γ>1壓暗 | 修正光照不均 | 顯示器校準、水下圖像增強 |
| 對比度拉伸（線性變換） | 線性映射灰度范圍：O = a*I + b（a>1增強對比度，a<1降低） | 擴展有效灰度區間 | 灰度范圍狹窄的圖像（如霧天圖） |
3. 圖像去噪類（消除干擾像素）
針對圖像采集過程中的噪聲（如椒鹽噪聲、高斯噪聲），通過鄰域像素平滑實現去噪。
| 算法 | 原理 | 核心目的 | 應用場景 |
|---|---|---|---|
| 均值濾波 | 用鄰域內所有像素的平均值替換中心像素 | 消除高斯噪聲 | 輕微模糊的自然圖像 |
| 中值濾波 | 用鄰域內像素的中值替換中心像素 | 消除椒鹽噪聲（脈沖噪聲） | 老照片、傳感器噪聲圖像 |
| 高斯濾波 | 用高斯核（權重隨距離遞減）加權平均鄰域像素 | 平滑圖像、保留細節 | 預處理（如邊緣檢測前去噪） |
| 雙邊濾波 | 結合空間距離（鄰域權重）和灰度相似度（避免模糊邊緣）加權平均 | 去噪+保留邊緣 | 人像美顏、紋理保留 |
4. 顏色空間轉換（適配任務需求）
將圖像從默認的RGB空間轉換為其他空間，簡化后續處理（如分離亮度與色彩）。
| 轉換方向 | 原理 | 核心目的 | 應用場景 |
|---|---|---|---|
| RGB → 灰度 | 加權平均RGB通道：Gray = 0.299R + 0.587G + 0.114B（符合人眼感知） | 減少維度（3→1） | 灰度圖像任務（如文字識別） |
| RGB → HSV | 分離色調（H）、飽和度（S）、亮度（V）通道 | 單獨調整亮度/色彩 | 圖像增強、色彩分割 |
| RGB → YCrCb | 分離亮度（Y）與色差（Cr/Cb）通道 | 視頻壓縮、膚色檢測 | 人臉識別（膚色區域提取） |
5. 閾值處理（二值化分割）
將灰度圖轉換為二值圖（僅黑白兩色），突出目標區域。
| 算法 | 原理 | 核心目的 | 應用場景 |
|---|---|---|---|
| 全局閾值 | 用固定閾值T分割：I>T設為255（白），否則設為0（黑）（如Otsu自動選T） | 簡單目標分割 | 文字提取、硬幣檢測 |
| 自適應閾值 | 按局部區域動態計算閾值（如鄰域均值） | 處理光照不均圖像 | 文檔掃描（文字與背景分離） |
二、Python實現經典算法（2個高頻案例）
以下基于 OpenCV（圖像處理庫） 和 Matplotlib（圖像顯示庫） 實現，需先安裝依賴：
pip install opencv-python numpy matplotlib
案例1：直方圖均衡化（全局+CLAHE）
需求：提升低對比度圖像的細節（如逆光照片），對比全局均衡化與CLAHE的效果差異。
實現步驟：
- 加載圖像并轉換為灰度圖（均衡化通常在單通道上進行）；
- 實現全局直方圖均衡化；
- 實現CLAHE（自適應均衡化）；
- 顯示原圖、全局均衡化圖、CLAHE圖及對應直方圖。
代碼：
import cv2
import numpy as np
import matplotlib.pyplot as plt# 1. 加載圖像（以灰度模式讀取，0表示灰度）
img = cv2.imread("low_contrast_image.jpg", 0) # 替換為你的圖像路徑
if img is None:raise ValueError("圖像加載失敗，請檢查路徑是否正確！")# 2. 全局直方圖均衡化
global_eq = cv2.equalizeHist(img)# 3. CLAHE（自適應直方圖均衡化）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) # clipLimit限制對比度，tileGridSize分塊大小
clahe_eq = clahe.apply(img)# 4. 計算各圖像的直方圖（用于對比）
def calculate_histogram(image):hist = cv2.calcHist([image], [0], None, [256], [0, 256])return hist / hist.sum() # 歸一化，便于顯示hist_original = calculate_histogram(img)
hist_global = calculate_histogram(global_eq)
hist_clahe = calculate_histogram(clahe_eq)# 5. 顯示結果（Matplotlib默認RGB，灰度圖直接顯示）
plt.figure(figsize=(15, 10))# 圖像顯示
plt.subplot(2, 3, 1)
plt.imshow(img, cmap="gray")
plt.title("原圖")
plt.axis("off")plt.subplot(2, 3, 2)
plt.imshow(global_eq, cmap="gray")
plt.title("全局直方圖均衡化")
plt.axis("off")plt.subplot(2, 3, 3)
plt.imshow(clahe_eq, cmap="gray")
plt.title("CLAHE（自適應均衡化）")
plt.axis("off")# 直方圖顯示
plt.subplot(2, 3, 4)
plt.plot(hist_original, color="black")
plt.title("原圖直方圖")
plt.xlabel("灰度值")
plt.ylabel("概率密度")plt.subplot(2, 3, 5)
plt.plot(hist_global, color="black")
plt.title("全局均衡化直方圖")
plt.xlabel("灰度值")plt.subplot(2, 3, 6)
plt.plot(hist_clahe, color="black")
plt.title("CLAHE直方圖")
plt.xlabel("灰度值")plt.tight_layout()
plt.show()
結果分析：
- 全局均衡化：整體對比度提升，但可能導致局部過亮（如天空區域泛白）；
- CLAHE：通過分塊均衡化，在提升暗區細節（如建筑陰影）的同時，避免過增強，效果更自然。
案例2：中值濾波（消除椒鹽噪聲）
需求：去除圖像中的椒鹽噪聲（隨機黑白斑點），對比原圖與去噪后的效果。
實現步驟：
- 加載灰度圖并手動添加椒鹽噪聲（模擬真實噪聲場景）；
- 用中值濾波處理噪聲圖像；
- 對比原圖、噪聲圖、去噪圖。
代碼：
import cv2
import numpy as np
import matplotlib.pyplot as plt# 1. 加載灰度圖像
img = cv2.imread("lena.jpg", 0) # 替換為你的圖像路徑（如經典Lena圖）
if img is None:raise ValueError("圖像加載失敗，請檢查路徑是否正確！")# 2. 手動添加椒鹽噪聲（噪聲比例：10%）
def add_salt_pepper_noise(image, noise_ratio=0.1):h, w = image.shapenoise_img = image.copy()# 計算噪聲像素數量noise_pixels = int(h * w * noise_ratio)# 添加鹽噪聲（白色斑點，灰度255）for _ in range(noise_pixels // 2):x = np.random.randint(0, w)y = np.random.randint(0, h)noise_img[y, x] = 255# 添加椒噪聲（黑色斑點，灰度0）for _ in range(noise_pixels // 2):x = np.random.randint(0, w)y = np.random.randint(0, h)noise_img[y, x] = 0return noise_imgnoise_img = add_salt_pepper_noise(img, noise_ratio=0.1)# 3. 中值濾波處理（核大小為3x3，需為奇數）
median_filtered = cv2.medianBlur(noise_img, ksize=3) # ksize可調整為5、7（核越大去噪越強，但細節越模糊）# 4. 顯示結果
plt.figure(figsize=(12, 4))plt.subplot(1, 3, 1)
plt.imshow(img, cmap="gray")
plt.title("原圖")
plt.axis("off")plt.subplot(1, 3, 2)
plt.imshow(noise_img, cmap="gray")
plt.title("添加椒鹽噪聲（10%）")
plt.axis("off")plt.subplot(1, 3, 3)
plt.imshow(median_filtered, cmap="gray")
plt.title("中值濾波（3x3核）")
plt.axis("off")plt.tight_layout()
plt.show()
結果分析：
- 噪聲圖：出現明顯的黑白斑點（椒鹽噪聲），細節被掩蓋；
- 中值濾波后：大部分噪聲被消除，圖像細節（如面部輪廓、眼睛）保留較好，這是因為中值對脈沖噪聲的抑制效果優于均值濾波。
三、總結
圖像預處理算法的選擇需結合具體任務和圖像問題：
- 若圖像對比度低：優先用CLAHE（優于全局均衡化）；
- 若圖像有椒鹽噪聲：優先用中值濾波（核大小根據噪聲強度調整）；
- 若需統一圖像尺寸：用縮放（雙線性插值）；
- 若需分離亮度與色彩：將RGB轉為HSV或YCrCb。
上述實現的2個算法是工業界最常用的預處理步驟，可直接集成到目標檢測、圖像分割等 pipeline 中，提升后續模型的精度。
