9.1 图像预处理¶

图像预处理是算法流水线的第一道关口，目的是将原始采集图像转化为适合后续分析的标准化输入。预处理质量直接影响特征提取、分类或检测的最终精度，通常包括几何校正、灰度校正、去噪和归一化等环节。

一、预处理流程概览¶

原始图像（Raw）
    ↓ 几何校正（畸变矫正 / 配准）
几何对齐图像
    ↓ 灰度校正（暗场 / 平场 / 辐射定标）
线性响应图像
    ↓ 去噪（空域 / 频域滤波）
信噪比提升图像
    ↓ 归一化 / 格式转换
算法可用输入

光学镜头引入的几何失真分为两类：

畸变类型	表现	校正方式
径向畸变	直线变弯，桶形或枕形	多项式模型（$k_1, k_2, k_3$）
切向畸变	图像平面与镜头平面不平行	切向系数（$p_1, p_2$）

校正公式（以归一化坐标 $(x, y)$ 为例）：

$$x' = x(1 + k_1 r^2 + k_2 r^4) + 2p_1 xy + p_2(r^2 + 2x^2)$$

其中 $r^2 = x^2 + y^2$，参数由标定板（棋盘格）标定得到。

多帧或多传感器图像需要对齐到同一坐标系，常用方法：

探测器存在暗电流和固定模式噪声，采集纯暗帧 $D$ 后逐像元减除：

$$I_{corr} = I_{raw} - D$$

消除像元响应不均匀和光照不均匀，用均匀白板采集平场帧 $F$：

$$I_{corr} = \frac{I_{raw} - D}{F - D} \times \bar{F}$$

其中 $\bar{F}$ 为平场均值，保持整体亮度。

光电成像系统中，将 DN 值转换为辐射亮度 $L$（单位 W·m⁻²·sr⁻¹·μm⁻¹）：

$$L = G \cdot DN + B$$

$G$ 为增益，$B$ 为偏置，由积分球或标准辐射源标定。

对图像做傅里叶变换，在频域乘以低通滤波器 $H(\omega)$（巴特沃斯、理想低通等），再逆变换。适合去除周期性条纹噪声。

DnCNN、FFDNet 等卷积网络直接学习噪声残差，在高斯噪声场景下 PSNR 比传统方法高 1–2 dB，支持盲去噪（无需已知噪声水平）。

将图像像素值映射到 $[0, 1]$ 或 $[-1, 1]$，消除光照差异对网络输入的干扰：

$$\hat{I} = \frac{I - \mu}{\sigma}$$

其中 $\mu$、$\sigma$ 为数据集的全局均值和标准差（ImageNet 预训练模型常用 RGB 各通道独立归一化）。

不同来源图像分辨率不同，需裁剪（Crop）或缩放（Resize）到统一尺寸（如 640×640）。缩放时注意保持长宽比，避免目标变形。

Gonzalez & Woods, Digital Image Processing, 4th ed., Pearson
OpenCV 文档：https://docs.opencv.org/
Zhang, Z., \"A Flexible New Technique for Camera Calibration\", IEEE TPAMI, 2000

2026-03-03