圖像預處理對于整個圖像處理任務來講特別重要。如果我們沒有進行恰當的預處理，無論我們有多么好的數據也很難得到理想的結果。

本篇是視覺入門系列教程的第二篇。整個視覺入門系列內容如下：

理解顏色模型與在圖像上繪制圖形（圖像處理基本操作）。

基本的圖像處理與濾波技術。

從特征檢測到人臉檢測。

圖像分割與分水嶺（Watershed）算法（TBU）

在邊緣和輪廓檢測中，噪聲對檢測的精度有很大的影響。因此，去除噪聲和控制像素值的大小可以幫助模型聚焦于整體特征，獲得更高的精度。對應的圖像處理技術包括：模糊化（Blurring）、閾值化（thresholding）和形態轉換（morphological transformation）。本篇我們將詳細介紹這幾個常見的圖像預處理技術。（本文假設讀者已經熟悉卷積的概念。）

模糊化（Blurring）

模糊化的目標是實現降噪。我們必須格外注意的是：如果我們把邊緣檢測算法應用到高分辨率的圖像上，我們就會得到很多我們不感興趣的檢測結果；

相反，如果我們把圖像模糊太多，我們就會丟失數據。因此，我們需要找到一個適當的模糊量，從而不失去理想的邊緣。

有多種技術用于實現模糊效果，在這里我們討論OpenCV中常用的四種技術：平均模糊（Averaging blurring）、高斯模糊（Gaussian blurring）、中值模糊（median blurring）和雙邊濾波（bilateral filtering）。這四種技術應用一個共同的基本原理，即使用濾波器（內核）對圖像進行卷積運算。不同的是，在四種模糊方法中使用的濾波器的值是不同的。

平均模糊（Average blurring）是取給定內核（kernel）區域下所有像素值的平均值替換中心的值。例如，假設給定一個大小為5X5的內核（kernel），我們計算卷積結果的平均值，并將結果放在給定區域的中心。示例如下：

如果我們增加內核的大小，像素值將更加歸一化。因此圖像也會變得越來越模糊。讓我們用下面的代碼對比處理結果。（為了便于比較，將把原始圖像加到結果中，進行對比顯示。）

＃ Import the image and convert to RGB

img ＝ cv2．imread（＇text．jpg＇）

img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）

＃ Plot the image with different kernel sizes

kernels ＝ ［5， 11， 17］

fig， axs ＝ plt．subplots（nrows ＝ 1， ncols ＝ 3， figsize ＝ （20， 20））

for ind， s in enumerate（kernels）：

img＿blurred ＝ cv2．blur（img， ksize ＝ （s， s））

ax ＝ axs［ind］

ax．imshow（img＿blurred）

ax．axis（＇off＇）

plt．show（）

中值模糊（Medium blurring）和平均模糊（Average blurring）是一樣的，只是它使用的是中值而不是平均值。正由于這個特性，當我們需要處理圖像中突然出現的噪音時（如“椒鹽噪音”），使用中值模糊（medium blurring）的效果要比平均模糊（average blurring）效果好。

高斯模糊（Gaussian blurring）是使用“值”具有高斯分布的核函數。由于這些值是由高斯函數生成的，因此它的參數需要一個sigma值。如上圖，內核的值在靠近中心的地方變高，在靠近角的地方變小。將該方法應用于具有正態分布的噪聲，如白噪聲，效果較好。

雙邊濾波（Bilateral Filtering）是高斯模糊的一個高級版本。模糊化不僅可以溶解噪聲，而且還會平滑邊緣。而雙邊濾波器能在去除噪聲的同時保持邊緣銳化。這是由于它不僅使用高斯分布值，還同時考慮了距離和像素值的差異。因此，需要指定sigmaSpace和sigmaColor這兩個參數。

＃ Blur the image

img＿0 ＝ cv2．blur（img， ksize ＝ （7， 7））

img＿1 ＝ cv2．GaussianBlur（img， ksize ＝ （7， 7）， sigmaX ＝ 0）

img＿2 ＝ cv2．medianBlur（img， 7）

img＿3 ＝ cv2．bilateralFilter（img， 7， sigmaSpace ＝ 75， sigmaColor ＝75）

＃ Plot the images

images ＝ ［img＿0， img＿1， img＿2， img＿3］

fig， axs ＝ plt．subplots（nrows ＝ 1， ncols ＝ 4， figsize ＝ （20， 20））

for ind， p in enumerate（images）：

ax ＝ axs［ind］

ax．imshow（p）

ax．axis（＇off＇）

plt．show（）

閾值化（Thresholding）

圖像的閾值化就是利用圖像像素點分布規律，設定閾值進行像素點分割，進而得到圖像的二值圖像。我們需要設置閾值和最大值，然后據此相應地進行像素值轉換。常用的閾值化包含有五種不同的類型：二進制閾值化、反二進制閾值化、閾值化到零、反閾值化到零，和閾值截斷。

img ＝ cv2．imread（＇gradation．png＇）

＃ Thresholding

＿， thresh＿0 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿BINARY）

＿， thresh＿1 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿BINARY＿INV）

＿， thresh＿2 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TOZERO）

＿， thresh＿3 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TOZERO＿INV）

＿， thresh＿4 ＝ cv2．threshold（img， 127， 255， cv2．THRESH＿TRUNC）

＃ Plot the images

images ＝ ［img， thresh＿0， thresh＿1， thresh＿2， thresh＿3， thresh＿4］

fig， axs ＝ plt．subplots（nrows ＝ 2， ncols ＝ 3， figsize ＝ （13， 13））

for ind， p in enumerate（images）：

ax ＝ axs［ind／／3， ind％3］

ax．imshow（p）

plt．show（）

如上圖所示，每種類型的閾值都可以用數學公式表示，I（x， y）是像素點的強度（也稱為點（x， y）的像素值）。上圖中的圖像示例，可以更直觀的理解不同閾值化類型之間的區別。

只取一個閾值并將其應用于圖像的所有部分并不能滿足我們的全部需求。如果我們有一張在多個不同區域亮度差異較多的圖片這種情況，將一個值應用于整個圖像一般不利于我們的圖像處理任務。其對應更好的方法是對圖像的每個部分使用不同的閾值。對應這種情況還有另外一種閾值化技術稱為自適應閾值化（Adaptive threshilding）。通過對圖像鄰域內閾值的計算，可以得到不同光照條件下的較好結果。

＃ Convert the image to grayscale

img ＝ cv2．imread（＇text．jpg＇）

img ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2GRAY）

＃ Adaptive Thresholding

＿， thresh＿binary ＝ cv2．threshold（img， thresh ＝ 127， maxval ＝ 255， type ＝ cv2．THRESH＿BINARY）

adap＿mean＿2 ＝ cv2．adaptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿MEAN＿C，

cv2．THRESH＿BINARY， 7， 2）

adap＿mean＿2＿inv ＝ cv2．adaptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿MEAN＿C，

cv2．THRESH＿BINARY＿INV， 7， 2）

adap＿mean＿8 ＝ cv2．adaptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿MEAN＿C，

cv2．THRESH＿BINARY， 7， 8）

adap＿gaussian＿8 ＝ cv2．adaptiveThreshold（img， 255，

cv2．ADAPTIVE＿THRESH＿GAUSSIAN＿C，

cv2．THRESH＿BINARY， 7， 8）

我們需要將顏色模式轉換為灰度來進行自適應閾值化。自適應閾值的參數有maxValue（在上面的示例中設置為255）、adaptiveMethod、thresholdType、blocksize和C。這里使用的自適應方法有兩種：adaptivethresholdmeanc和adaptivethresholdgaussianc。讓我們通過下方代碼對比自適應閾值化的不同結果。

＃ Plot the images

images ＝ ［img， thresh＿binary， adap＿mean＿2， adap＿mean＿2＿inv，

adap＿mean＿8， adap＿gaussian＿8］

fig， axs ＝ plt．subplots（nrows ＝ 2， ncols ＝ 3， figsize ＝ （15， 15））

for ind， p in enumerate（images）：

ax ＝ axs［ind％2， ind／／2］

ax．imshow（p， cmap ＝ ＇gray＇）

ax．axis（＇off＇）

plt．show（）

如上圖所示，左邊為原始圖像與二進制閾值化結果圖。對比二進制閾值化結果圖與右上方兩張結果圖（由adaptivethresholdmeanc方法生成）可得，后者生成了更為詳細的結果。我們還可以看出，當C值更大時，圖像將變得更顯式。C代表從均值或加權均值中減去值的大小。通過觀察上圖右子圖上下兩幅圖像，我們還可以對比查看相同C值下adaptivethreshold meanc和adaptivethreshold ＿gaussianc兩種方法生成的不同效果圖。