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。
| 算法 | 原理 | 核心目的 | 应用场景 |
|---|---|---|---|
| 平移 | 对所有像素按指定偏移量（dx, dy）移动，公式：(x’, y’) = (x+dx, y+dy) | 调整图像位置 | 图像拼接、目标定位校准 |
| 旋转 | 以某点（如中心）为原点，按角度θ旋转，需处理像素插值避免模糊 | 修正图像倾斜 | 文档扫描（矫正倾斜文字） |
| 缩放 | 按比例（fx, fy）放大/缩小像素，常用双线性插值提升画质 | 统一图像尺寸 | 神经网络输入标准化（如224x224） |
| 翻转 | 水平翻转（左右镜像）或垂直翻转（上下镜像） | 数据增强、修正视角 | 人脸识别（增加样本多样性） |
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。
| 算法 | 原理 | 核心目的 | 应用场景 |
|---|---|---|---|
| 全局直方图均衡化 | 拉伸像素灰度分布，使直方图趋于均匀（映射灰度累积概率） | 提升整体对比度 | 医学图像（如X光片）、低光照片 |
| CLAHE（自适应直方图均衡化） | 将图像分块，对每块单独均衡化，限制对比度避免过增强 | 增强局部细节（如暗区） | 逆光照片、监控图像 |
| 伽马校正 | 通过幂函数（O = I^γ）调整灰度：γ<1提亮，γ>1压暗 | 修正光照不均 | 显示器校准、水下图像增强 |
| 对比度拉伸（线性变换） | 线性映射灰度范围：O = a*I + b（a>1增强对比度，a<1降低） | 扩展有效灰度区间 | 灰度范围狭窄的图像（如雾天图） |
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。
| 算法 | 原理 | 核心目的 | 应用场景 |
|---|---|---|---|
| 均值滤波 | 用邻域内所有像素的平均值替换中心像素 | 消除高斯噪声 | 轻微模糊的自然图像 |
| 中值滤波 | 用邻域内像素的中值替换中心像素 | 消除椒盐噪声（脉冲噪声） | 老照片、传感器噪声图像 |
| 高斯滤波 | 用高斯核（权重随距离递减）加权平均邻域像素 | 平滑图像、保留细节 | 预处理（如边缘检测前去噪） |
| 双边滤波 | 结合空间距离（邻域权重）和灰度相似度（避免模糊边缘）加权平均 | 去噪+保留边缘 | 人像美颜、纹理保留 |
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）。
| 转换方向 | 原理 | 核心目的 | 应用场景 |
|---|---|---|---|
| RGB → 灰度 | 加权平均RGB通道：Gray = 0.299R + 0.587G + 0.114B（符合人眼感知） | 减少维度（3→1） | 灰度图像任务（如文字识别） |
| RGB → HSV | 分离色调（H）、饱和度（S）、亮度（V）通道 | 单独调整亮度/色彩 | 图像增强、色彩分割 |
| RGB → YCrCb | 分离亮度（Y）与色差（Cr/Cb）通道 | 视频压缩、肤色检测 | 人脸识别（肤色区域提取） |
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。
| 算法 | 原理 | 核心目的 | 应用场景 |
|---|---|---|---|
| 全局阈值 | 用固定阈值T分割：I>T设为255（白），否则设为0（黑）（如Otsu自动选T） | 简单目标分割 | 文字提取、硬币检测 |
| 自适应阈值 | 按局部区域动态计算阈值（如邻域均值） | 处理光照不均图像 | 文档扫描（文字与背景分离） |
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：
- 加载图像并转换为灰度图（均衡化通常在单通道上进行）；
- 实现全局直方图均衡化；
- 实现CLAHE（自适应均衡化）；
- 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：
- 加载灰度图并手动添加椒盐噪声（模拟真实噪声场景）；
- 用中值滤波处理噪声图像；
- 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。