这学期的数字图像处理实验三，让我把直方图均衡化和边缘检测彻底捋了一遍。实验要求不算复杂：对给定的灰度图像做图像增强，再用边缘检测算法提取轮廓，最后对比不同参数下的效果并写进实验报告。真正开始做的时候才发现，原理课上三句话带过的公式，落到代码里有不少细节需要处理。这篇文章我就按“需求拆解—原理—实操—排坑—加分技巧”的顺序，把我这次实验三的完整过程写出来，给正在做类似实验的同学一个能直接参考的版本。

1. 实验三到底在考什么：需求拆解与方案选型

1.1 实验任务常见的三种口径

不同学校、不同老师出的实验三题目其实差别挺大，但整体都落在一个连续任务区间里：图像增强、图像滤波、边缘检测。有的版本只要求做直方图均衡化，把一张过暗或过亮的图拉回正常对比度；有的要求用均值滤波、高斯滤波、中值滤波分别处理噪声图，比较效果；还有的会进一步让用 Sobel、Laplacian 或 Canny 提取边缘，做物体轮廓分析。

我们这次的要求属于“一条龙”式题目：先对灰度图做直方图均衡化增强，再用空间滤波器降噪，最后用边缘检测算子提取边缘，并且要回答“为什么不同参数下结果不一样”。如果你拿到的是单点式题目，也不用慌，核心思路是一致的：先搞清楚处理对象是什么、噪声是什么类型、目标输出是什么，再选算法和参数。

1.2 方案选型：为什么我推荐 Python + OpenCV

实验室往届同学用 MATLAB 的不少，毕竟课程里很多示例代码都是 MATLAB 风格。但我这次坚持用 Python + OpenCV，原因有三。

第一，环境成本低。OpenCV 直接 pip 安装，不需要打开一个动辄几个 GB 的 IDE，也不占用实验室的 license。第二，接口迁移成本几乎为零。equalizeHist、Sobel、Canny这些函数名在 OpenCV 和 MATLAB 里基本一一对应，理论搞懂了，换 MATLAB 写只是语法翻译工作。第三，后期处理报告很舒服。Python 下 matplotlib 可以把原图、直方图、滤波结果、边缘图整编成一张大图，还能顺手统计 PSNR、耗时，写进实验报告非常直观。

如果老师明确要求用 MATLAB，那也没关系。这篇文里讲的算法原理、参数逻辑、踩坑点完全通用，你只需要把cv2.xxx换成对应 MATLAB 函数即可。

1.3 动手前先定好的一组关键参数

实验三翻车通常不是算法不会写，而是参数没有提前定好。我这次在写第一行代码之前，先把下面这套参数定下来了：

这些参数不是拍脑袋定的。我会在第 3 部分详细说明它们是怎么通过小实验试出来的。你如果拿到不同图像，不一定照搬，但可以先从这套基准开始调。

2. 必须搞懂的原理与公式：从直方图均衡化到边缘检测

2.1 直方图均衡化到底在干什么

直方图均衡化的目标，是把像素灰度重新映射，让直方图从“挤在某个区间”变成“尽量铺满整个灰度范围”。用过暗图像举例，大部分像素都堆在低灰度区，对比度低，看起来灰蒙蒙的。均衡化会让原本占比例很大的暗部向亮部铺开，视觉上立刻通透很多。

数学上，给一个灰度概率密度函数 p(r)，希望找到一个单调递增变换 s = T(r)，让输出灰度 s 在 [0, 1] 上近似均匀分布。连续情况下，答案就是累积分布函数：

s = T(r) = ∫₀ʳ p(w) dw

离散化之后，灰度级 r_k 的累计概率为：

s_k = (L - 1) · ∑ⱼ₌₀ᵏ p(r_j) = (L - 1) · cdf(k) / N

其中 L 是灰度级总数，8-bit 图就是 256，N 是像素总数，cdf(k) 是第 k 个灰度级之前的累计像素数。

为什么用 CDF 而不是随便找一条曲线？因为 CDF 天然单调不减，映射后灰度的相对顺序不会被破坏，不会出现“暗部变亮、亮部变暗”的错乱。

实操中要注意一个问题：计算时一定用浮点数。很多同学直接把hist.cumsum()赋给映射表，然后img.astype(np.uint8)，中间一旦出现整数除法，灰度级就不是 0 就是 255，图像直接花掉。另一个容易忽略的点是 cdf 的最小值。如果图像没有纯黑像素，直接用cdf * 255 / cdf[-1]会让最暗的像素也被拉低，导致整体偏灰；更稳的做法是先找到第一个非零的 cdf 值，平移后再缩放。

2.2 空间滤波与边界扩展

空间滤波的本质，是用一个小窗口（核）在图像上滑动，把核内像素做加权或排序运算，结果替换中心像素。均值滤波和高斯滤波属于线性滤波，中值滤波属于非线性滤波。

均值滤波是核内所有像素直接取平均，优点是快，缺点是会把边缘一起糊掉。高斯滤波在核内按二维高斯函数分配权重，离中心越近权重越大，在同样平滑效果下对边缘的伤害更小。中值滤波则把核内像素排序后取中间值，对付椒盐噪声特别有效，因为孤立的亮点或暗点在排序后会被自动剔除。

滤波核大小直接决定平滑强度。3×3 的核能去掉细小噪点，但保留大部分细节；核越大，图像越糊。边缘检测前到底用哪个滤波？我的习惯是：先看噪声种类。如果图像里有明显黑白颗粒，优先中值滤波；如果是传感器高斯噪声，用高斯滤波；不确定就先高斯后中值，再比较结果。

还有一个经常被忽略的参数：边界处理方式。卷积核滑到图像边缘时，窗口会超出图像范围。OpenCV 里通过borderType控制，常见的有零填充、复制边缘、镜像反射。如果默认参数选错，边缘像素会被奇怪地拉出亮线或暗线。我这次统一用cv2.BORDER_REFLECT，也就是镜像反射，实测边缘效果最自然。

2.3 边缘检测中的梯度方向与双阈值

边缘在数学上就是灰度剧烈变化的区域，反映为梯度的局部极大值。Sobel 算子用两个卷积核分别近似 x 方向和 y 方向的一阶偏导，水平核响应图像中的垂直边缘，垂直核响应水平边缘。梯度幅值：

mag = √(gx² + gy²)

梯度方向：

θ = atan2(gy, gx)

只算梯度还不够，边缘要被“细化”成单像素宽的线条。Canny 检测里最关键的是非极大值抑制：沿着梯度方向，只保留幅值最大的点，把周围的伪边缘压掉。这就解释了为什么直接阈值化 Sobel 结果会得到“粗边”或双边缘。

接着是双阈值：高阈值找出确定的强边缘，低阈值用来补全与强边缘相连的弱边缘。如果只用单阈值，阈值设高了边缘会断成一截一截，设低了噪声全变成伪边缘。双阈值配合连通性判断，能在“少断裂”和“少噪点”之间取得平衡。低阈值和高阈值的经验比例是 1:2 到 1:3，我这次用的 50 和 150 就是按 1:3 来的。

3. 完整实操：从读图到输出实验报告

3.1 环境准备与图片数据

我用的是 Python 3.9 加 OpenCV 4.8，配合 NumPy 和 Matplotlib。环境安装一句话：

pip install opencv-python numpy matplotlib

测试图我选了一张标准的灰度人像图，你也可以用课程提供的测试图。先把图片放到项目目录下，名字改成test.png，避免路径问题。

3.2 手写直方图均衡化代码

OpenCV 虽然自带equalizeHist，但实验三要求手写映射过程，方便展示原理。下面这段是我实际用的代码：

import cv2 import numpy as np import matplotlib.pyplot as plt # 读图并转灰度 img = cv2.imread('test.png') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 1. 统计灰度直方图 hist = np.bincount(gray.ravel(), minlength=256) cdf = hist.cumsum() # 2. 计算映射表，注意用浮点运算 total = gray.size cdf_min = cdf[cdf > 0].min() def hist_equalize(gray, use_offset=True): hist = np.bincount(gray.ravel(), minlength=256) cdf = hist.cumsum().astype(np.float64) total = gray.size cdf_min = cdf[cdf > 0].min() if use_offset: # 平移处理，避免整体偏灰 lut = ((cdf - cdf_min) / (total - cdf_min)) * 255 else: lut = (cdf / total) * 255 lut = np.clip(lut, 0, 255).astype(np.uint8) return lut[gray] res = hist_equalize(gray, use_offset=True)

这里有个细节我想多说一句。很多博客写的映射表是cdf / total * 255，在图像包含纯黑像素时能用，但如果图像最暗的地方也是 50 灰度左右，这种映射会把 50 当成“黑”，结果整幅图发灰。use_offset=True的版本先把 cdf_min 平移到 0，再映射到 255，效果会更接近 OpenCV 的equalizeHist。

3.3 平滑滤波与 Canny 边缘检测

拿到均衡化图像后，下一步是降噪。我先用 3×3 中值滤波去掉可能的离散噪点，再用 5×5 高斯滤波做轻微平滑，然后算 Sobel 梯度，最后跑 Canny。

# 中值滤波去椒盐噪点 median = cv2.medianBlur(res, 3) # 高斯滤波去高斯噪声 blur = cv2.GaussianBlur(median, (5, 5), 1.0) # Sobel 梯度 gx = cv2.Sobel(blur, cv2.CV_64F, 1, 0, ksize=3) gy = cv2.Sobel(blur, cv2.CV_64F, 0, 1, ksize=3) mag = cv2.magnitude(gx, gy) # Canny 边缘检测（内部包含高斯平滑，但我们已经平滑过，所以用低 sigma 即可） edges = cv2.Canny(blur, 50, 150)

为什么要先用中值滤波再用高斯滤波？因为我处理的原图同时带有椒盐颗粒和高斯噪声两层问题，中值滤波对离群点效果好，高斯滤波再处理残余噪声。如果你的测试图只有高斯噪声，可以省略中值滤波，只做高斯滤波。Canny 内部本来就会做一次高斯平滑，所以参数里没有 sigma，但我们在外面对输入图先做平滑，能在后续阈值选择上更稳。

3.4 用拼接图和指标充实实验报告

实验报告只放一张 processed 图太单薄。我把原图、直方图均衡化图、中值滤波图、高斯滤波图、Sobel 梯度图、Canny 边缘图放在一张画布里，同时输出每步图像的灰度直方图，这样能直观展示每个操作的作用。

def psnr(orig, proc): mse = np.mean((orig.astype(np.float64) - proc.astype(np.float64)) ** 2) return 10 * np.log10(255.0 ** 2 / (mse + 1e-10)) p1 = psnr(gray, res) p2 = psnr(gray, blur) p3 = psnr(median, blur) print(f'均衡化 vs 原图 PSNR: {p1:.2f} dB') print(f'高斯滤波 vs 均衡化图 PSNR: {p2:.2f} dB') print(f'平滑后 vs 中值后 PSNR: {p3:.2f} dB')

PSNR 不是越高越好。均衡化后的图和原图 PSNR 往往偏低，因为它改变了灰度分布，但视觉对比度提升了。这里更需要的是把“为什么变化”写清楚，而不是只看数字大小。实验报告里我还会放一张参数表，记录不同高斯核大小和 Canny 阈值组合下边缘点数量、运行时间和主观效果，用数据说话。

4. 实验中的常见坑与排查实录

4.1 读图之后颜色乱成一团

这是最经典的问题。用cv2.imread读彩色图后，图像颜色实际上是 BGR 顺序，而 matplotlib 默认按 RGB 显示。如果直接plt.imshow(img)，脸色发蓝、皮肤发紫都是正常的。所以要么在显示前用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换，要么干脆先转成灰度图再处理。

另外，Windows 下如果图片路径里有中文，cv2.imread会静默返回 None。我第一次在桌面放了个“实验图片.png”，读出来是 None，后面全崩了。解决办法是用cv2.imdecode配合np.fromfile：

import numpy as np import cv2 def imread_chinese(path): data = np.fromfile(path, dtype=np.uint8) return cv2.imdecode(data, cv2.IMREAD_GRAYSCALE)

4.2 直方图均衡化后图像过曝或发灰

均衡化结果发灰，大概率是映射公式出了问题。常见情况是cdf / total * 255之后没有做类型转换，中间变量被截断成整数，导致灰度跳变。另一种是cdf_min取得不对，如果直接用cdf.min()，而图中存在纯黑像素，这个值是 0，那和平移前没什么区别；如果图中没有纯黑像素，cdf.min()又可能落在很多小像素值上，影响不明显。保险做法是用cdf[cdf > 0].min()，也就是第一个非零累计值。

均衡化后过曝，往往是源图本身就存在大量高亮区域，均衡化会把低灰度区强行拉伸，造成高光溢出。这种时候不要盲目做全图均衡化，可以在实验加分里聊聊“限制对比度自适应直方图均衡化 CLAHE”，这是后话。

4.3 Canny 边缘断成虚线，噪点又压不掉

边缘断裂，第一反应是降低低阈值，这样更多弱边缘会被保留。但低阈值太低，噪声也会被当成边缘，画面会脏。第二反应是加大高斯滤波核或 sigma，先把不平整的纹理磨平，但核太大会让真正的边缘也变模糊，反而更难检测。

我最终采用的是“先中值滤波 3×3，再高斯滤波 5×5，sigma=1.0，Canny 阈值 50/150”这个组合。如果边缘还是断，我会试试 50/100 的 1:2 比例，而不是单独去动某一个阈值。

4.4 报告里 PSNR 和主观视觉“打架”

PSNR 本质上是逐像素均方误差的对数变换，它不适合衡量结构感知质量。均衡化后的 PSNR 比原图高或低，都不代表算法好坏。比如原图本来对比度低，均衡化后细节更多但像素变化大，PSNR 反而下降。实验报告里我一般同时放 PSNR 和灰度直方图，用直方图说明“像素分布被拉伸了”，再用人眼观察描述“细节更清晰”，这样逻辑才自洽。

5. 让实验三拿高分的几个实用技巧

5.1 多做一组消融实验

只交一套结果能拿及格分，但想拿高分，最好展示“如果没有某一步会怎样”。我在报告里加了三种对比：不做均衡化直接 Canny、只做高斯滤波不做中值、均衡化后跳过平滑直接 Canny。效果一目了然，也能说明每一步的必要性。

5.2 用滑动条现场调参

如果实验课需要现场演示，我会写一个小脚本，用 OpenCV 的createTrackbar动态调节高斯核大小和 Canny 阈值。老师看到你拖动滑动条时边缘线实时变化，会比静态图片更有说服力。代码不复杂：

def nothing(x): pass cv2.namedWindow('demo') cv2.createTrackbar('low', 'demo', 0, 255, nothing) cv2.createTrackbar('high', 'demo', 0, 255, nothing)

调参过程还能帮你快速定位阈值范围，比一遍遍改代码重新跑高效太多。

5.3 报告里把“为什么”写清楚

很多人的实验报告只写“运行结果如下”，这是最亏的。我整理报告时，每个结果图下面都配了三行：本步做了什么、关键参数是多少、为什么会有这个现象。比如“中值滤波后图像略微变模糊，因为 3×3 窗口排序时把部分细节当成噪声移除，但随后 Canny 检测出的边缘更完整，说明降噪对边缘提取的帮助大于细节损失。”这种分析比堆 10 张图更有价值。

5.4 有余力可以试试频域滤波扩展

如果实验做完还有时间，可以加一个频域高通/低通滤波的小实验，把图像转到傅里叶域，用巴特沃斯滤波器处理后反变换。这样既能展示空间域和频域的联系，又能在报告里多一节“扩展讨论”。我这次时间有限没做，但如果你目标比较高，建议加上。

最后分享一个我自己的操作习惯：实验过程中每调一次参数，我都会把图片和对应的直方图一起保存下来，文件名带上参数值，比如gauss_5_1.0_low50_high150.png。这样整理报告时，所有素材都是现成的，不用重新跑实验，也能避免数据混乱。数字图像处理实验三的核心不是“把代码跑通”，而是把每一步为什么要这么做讲明白。按上面这套流程走下来，你会发现原本零散的算法，慢慢变成一条完整的处理链路。