【图像处理基石】图像预处理方面有哪些经典的算法？

图像预处理是计算机视觉任务（如目标检测、图像分割、人脸识别）的基础步骤，核心目的是消除图像中的噪声、提升对比度、修正几何畸变等，为后续高阶处理提供高质量输入。以下先系统梳理经典算法，再通过Python实现2个高频应用算法（直方图均衡化、中值滤波）。

一、图像预处理经典算法梳理

根据处理目标，可将经典算法分为5大类，每类包含核心算法、原理、目的及应用场景：

1. 几何变换类（修正空间畸变）

针对图像的空间位置或形状偏差，调整像素坐标以满足后续对齐、裁剪等需求。

2. 图像增强类（提升视觉质量）

通过调整像素灰度/颜色分布，增强图像的细节对比度，解决低光照、模糊等问题。

3. 图像去噪类（消除干扰像素）

针对图像采集过程中的噪声（如椒盐噪声、高斯噪声），通过邻域像素平滑实现去噪。

4. 颜色空间转换（适配任务需求）

将图像从默认的RGB空间转换为其他空间，简化后续处理（如分离亮度与色彩）。

5. 阈值处理（二值化分割）

将灰度图转换为二值图（仅黑白两色），突出目标区域。

二、Python实现经典算法（2个高频案例）

以下基于 OpenCV（图像处理库） 和 Matplotlib（图像显示库） 实现，需先安装依赖：

pip install opencv-python numpy matplotlib

案例1：直方图均衡化（全局+CLAHE）

需求：提升低对比度图像的细节（如逆光照片），对比全局均衡化与CLAHE的效果差异。

实现步骤：

1. 加载图像并转换为灰度图（均衡化通常在单通道上进行）；
2. 实现全局直方图均衡化；
3. 实现CLAHE（自适应均衡化）；
4. 显示原图、全局均衡化图、CLAHE图及对应直方图。

代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 加载图像（以灰度模式读取，0表示灰度）
img = cv2.imread("low_contrast_image.jpg", 0)  # 替换为你的图像路径
if img is None:
    raise ValueError("图像加载失败，请检查路径是否正确！")

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

# 3. CLAHE（自适应直方图均衡化）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))  # clipLimit限制对比度，tileGridSize分块大小
clahe_eq = clahe.apply(img)

# 4. 计算各图像的直方图（用于对比）
def calculate_histogram(image):
    hist = cv2.calcHist([image], [0], None, [256], [0, 256])
    return hist / hist.sum()  # 归一化，便于显示

hist_original = calculate_histogram(img)
hist_global = calculate_histogram(global_eq)
hist_clahe = calculate_histogram(clahe_eq)

# 5. 显示结果（Matplotlib默认RGB，灰度图直接显示）
plt.figure(figsize=(15, 10))

# 图像显示
plt.subplot(2, 3, 1)
plt.imshow(img, cmap="gray")
plt.title("原图")
plt.axis("off")

plt.subplot(2, 3, 2)
plt.imshow(global_eq, cmap="gray")
plt.title("全局直方图均衡化")
plt.axis("off")

plt.subplot(2, 3, 3)
plt.imshow(clahe_eq, cmap="gray")
plt.title("CLAHE（自适应均衡化）")
plt.axis("off")

# 直方图显示
plt.subplot(2, 3, 4)
plt.plot(hist_original, color="black")
plt.title("原图直方图")
plt.xlabel("灰度值")
plt.ylabel("概率密度")

plt.subplot(2, 3, 5)
plt.plot(hist_global, color="black")
plt.title("全局均衡化直方图")
plt.xlabel("灰度值")

plt.subplot(2, 3, 6)
plt.plot(hist_clahe, color="black")
plt.title("CLAHE直方图")
plt.xlabel("灰度值")

plt.tight_layout()
plt.show()

结果分析：

• 全局均衡化：整体对比度提升，但可能导致局部过亮（如天空区域泛白）；
• CLAHE：通过分块均衡化，在提升暗区细节（如建筑阴影）的同时，避免过增强，效果更自然。

案例2：中值滤波（消除椒盐噪声）

需求：去除图像中的椒盐噪声（随机黑白斑点），对比原图与去噪后的效果。

实现步骤：

1. 加载灰度图并手动添加椒盐噪声（模拟真实噪声场景）；
2. 用中值滤波处理噪声图像；
3. 对比原图、噪声图、去噪图。

代码：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 加载灰度图像
img = cv2.imread("lena.jpg", 0)  # 替换为你的图像路径（如经典Lena图）
if img is None:
    raise ValueError("图像加载失败，请检查路径是否正确！")

# 2. 手动添加椒盐噪声（噪声比例：10%）
def add_salt_pepper_noise(image, noise_ratio=0.1):
    h, w = image.shape
    noise_img = image.copy()
    # 计算噪声像素数量
    noise_pixels = int(h * w * noise_ratio)
    
    # 添加盐噪声（白色斑点，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
    
    # 添加椒噪声（黑色斑点，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] = 0
    
    return noise_img

noise_img = add_salt_pepper_noise(img, noise_ratio=0.1)

# 3. 中值滤波处理（核大小为3x3，需为奇数）
median_filtered = cv2.medianBlur(noise_img, ksize=3)  # ksize可调整为5、7（核越大去噪越强，但细节越模糊）

# 4. 显示结果
plt.figure(figsize=(12, 4))

plt.subplot(1, 3, 1)
plt.imshow(img, cmap="gray")
plt.title("原图")
plt.axis("off")

plt.subplot(1, 3, 2)
plt.imshow(noise_img, cmap="gray")
plt.title("添加椒盐噪声（10%）")
plt.axis("off")

plt.subplot(1, 3, 3)
plt.imshow(median_filtered, cmap="gray")
plt.title("中值滤波（3x3核）")
plt.axis("off")

plt.tight_layout()
plt.show()

结果分析：

• 噪声图：出现明显的黑白斑点（椒盐噪声），细节被掩盖；
• 中值滤波后：大部分噪声被消除，图像细节（如面部轮廓、眼睛）保留较好，这是因为中值对脉冲噪声的抑制效果优于均值滤波。

三、总结

图像预处理算法的选择需结合具体任务和图像问题：

• 若图像对比度低：优先用CLAHE（优于全局均衡化）；
• 若图像有椒盐噪声：优先用中值滤波（核大小根据噪声强度调整）；
• 若需统一图像尺寸：用缩放（双线性插值）；
• 若需分离亮度与色彩：将RGB转为HSV或YCrCb。

上述实现的2个算法是工业界最常用的预处理步骤，可直接集成到目标检测、图像分割等 pipeline 中，提升后续模型的精度。