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GaussianBlurimport cv2 img cv2.imread(noisy.jpg) # 高斯核大小必须是奇数 blurred cv2.GaussianBlur(img, (5, 5), sigmaX1.0)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, d9, sigmaColor75, sigmaSpace75)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, h10, templateWindowSize7, searchWindowSize21) # 彩色图去噪 denoised_color cv2.fastNlMeansDenoisingColored(img, h10, hForColorComponents10, templateWindowSize7, searchWindowSize21)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, alpha1.2, beta10)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, gamma1.0): 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, gamma0.5)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。