图像数据预处理是计算机视觉任务中不可或缺的前置环节，其中使用OpenCV读取图像并对像素值进行标准化处理，是让模型能够正常接收输入数据的基础操作。如果读图环节出现通道顺序错误，或者像素标准化方式不符合模型要求，会直接导致后续模型训练效果下降甚至出现运行错误。
OpenCV读图的基础技巧
OpenCV是Python中常用的图像处理库，其cv2.imread函数是读取图像的核心接口，但是很多开发者会忽略它的默认读取特性，导致后续处理出现问题。
默认读图的通道顺序问题
OpenCV默认读取的图像通道顺序是BGR，而绝大多数深度学习框架（如TensorFlow、PyTorch）要求的输入通道顺序是RGB，因此读图后需要做通道转换。下面是基础读图并转换通道的示例：
import cv2
import numpy as np
# 读取图像，第二个参数1表示读取彩色图，0表示读取灰度图
img_bgr = cv2.imread("test_image.jpg")
# 检查图像是否读取成功
if img_bgr is None:
raise ValueError("图像读取失败，请检查文件路径是否正确")
# 转换BGR通道为RGB通道
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
print("图像形状:", img_rgb.shape) # 输出格式为(高度, 宽度, 通道数)
读取灰度图与尺寸调整
部分任务只需要灰度图像，或者需要将图像统一缩放到固定尺寸，可以通过对应参数和方法实现：
# 读取灰度图
img_gray = cv2.imread("test_image.jpg", 0)
# 将图像缩放到指定尺寸，参数依次是输入图像、目标尺寸(宽度, 高度)、插值方式
img_resized = cv2.resize(img_rgb, (224, 224), interpolation=cv2.INTER_LINEAR)
print("缩放后图像形状:", img_resized.shape)
像素标准化的常用方法
像素标准化是将图像的像素值从原始的0-255范围转换到模型要求范围的操作，不同场景下的标准化方法存在差异。
0-1归一化
0-1归一化是将像素值除以255，让所有像素值落在0到1的区间，适合大多数基础的图像处理场景：
# 将uint8类型的图像转换为float32类型，避免除法后数值截断
img_float = img_resized.astype(np.float32)
# 执行0-1归一化
img_normalized_01 = img_float / 255.0
print("归一化后像素范围:", img_normalized_01.min(), "~", img_normalized_01.max())
基于均值和标准差的标准化
在深度学习任务中，更常用的是基于ImageNet数据集的均值和标准差做标准化，公式为：(像素值 - 均值) / 标准差，对应的均值和标准差分别为[0.485, 0.456, 0.406]和[0.229, 0.224, 0.225]：
# 定义均值和标准差，注意通道顺序要和图像一致
mean = np.array([0.485, 0.456, 0.406], dtype=np.float32)
std = np.array([0.229, 0.224, 0.225], dtype=np.float32)
# 执行标准化，先完成0-1归一化再做减均值除标准差
img_standardized = (img_normalized_01 - mean) / std
print("标准化后像素均值:", img_standardized.mean(axis=(0,1)))
灰度图的标准化
灰度图只有一个通道，标准化时只需要处理单通道的数值即可：
# 灰度图0-1归一化 img_gray_float = img_gray.astype(np.float32) img_gray_normalized = img_gray_float / 255.0 # 灰度图标准化，假设均值为0.5，标准差为0.2 gray_mean = 0.5 gray_std = 0.2 img_gray_standardized = (img_gray_normalized - gray_mean) / gray_std
常见注意事项
- 读取图像后一定要先判断返回值是否为None，避免后续处理出现空对象报错
- 做像素除法前必须将图像数据类型转换为浮点型，否则uint8类型的除法会出现整数截断，丢失精度
- 通道转换操作要在尺寸调整之前还是之后都可以，但是要保证后续标准化时通道顺序和设定的均值标准差匹配
- 如果处理的是批量图像，要保证所有图像的标准化参数一致，避免数据分布出现偏差
通过上述技巧，开发者可以快速完成OpenCV读图和像素标准化的操作，为后续的图像分析或模型训练提供符合要求的输入数据。实际使用中可以根据具体任务的需求，选择合适的读图参数和标准化方式，提升预处理的效率。