简介：围绕常用的图像处理算法，这套以C语言实现的源码包面向图像处理初学者、计算机视觉方向学生及需要底层算法参考的开发者，可直接编译运行并对照效果验证。内容覆盖灰度与彩色图像操作、平滑滤波、锐化、Sobel与Canny边缘检测、阈值分割、色彩空间转换、缩放旋转裁剪翻转、透视变换、角点检测、直方图均衡化及模板匹配等，每个算法均配有源代码和原始/处理后图片对比，便于从像素级操作到完整流程逐步理解。压缩包共1031个文件，其中h头文件284个、cpp源文件249个、bmp对比图131个，另有工程配置、说明文档等，整体大小约5.45MB，目录按算法模块组织，查阅方便。目前已有5307人学习，适合通过源码剖析与图像对比快速掌握图像处理核心原理，同时提升C语言编程与调试优化能力。
1. 图像处理算法用C语言实现：先搞清楚它能解决什么问题
一个常见场景：手里只有一块内存几MB的开发板，要做工件定位或简单缺陷检测，OpenCV装不上，Python环境更不可能，能把灰度化、二值化、边缘检测这些算法用C语言写出来的人，就能直接解决问题。C处理图像的本质，是把一张图片当成一块连续内存，用指针和数组去读写每个像素。它的优势是可预测性强、没有运行时依赖、内存完全自己掌控，代价是所有边界问题都要自己兜底，数组越界和整数溢出这类错误只能靠运行期排查。这篇笔记按“预处理 → 滤波 → 边缘 → 形态学 → 排错 → 性能”的顺序，把常用图像处理算法的C语言实现拆开讲，每段代码都可以独立编译验证，适合想在纯C环境里做图像预处理的开发者。
2. 灰度化与二值化：从像素操作到去掉光照干扰
2.1 原理：图像在C语言中的存储形态与加权灰度公式
拿到一张图片，最终要面对的是像素缓冲区。C语言不区分图片类型，只认字节数组：彩色图最常见的排列是每像素3字节按BGR或RGB顺序存储，灰度图则是每像素1字节，值落在0到255。一张宽width高height的灰度图，第y行第x列的像素索引是y * width + x，彩色图则是(y * width + x) * 3。后面所有卷积、滤波、阈值比较，归根到底都是在做索引上的运算。
为什么要先做灰度化？算法层面看，边缘检测、直方图统计只依赖亮度信息，三个颜色通道反而会引入噪声和额外计算量；工程层面看，灰度图内存占用只有彩色图的三分之一，在资源受限的环境中能省出不少空间。
灰度化最常用的公式是Y = 0.299R + 0.587G + 0.114B，三个系数来自人眼对不同颜色的感知灵敏度，绿色贡献最大、蓝色最小，所以不能简单取平均。C语言里直接浮点实现没问题，但在没有硬件浮点单元的单片机上会有明显开销，实际工程中我习惯用整数近似来替代。
提示：如果你的灰度图不是从彩色图转过来的，而是摄像头直接输出的YUV或RAW数据，先确认数据是否带offset，否则后续算法拿到的可能是一堆漂移值。
2.2 代码：RGB转灰度与全局二值化的最小实现
// demo_gray.c —— RGB转灰度，再根据固定阈值二值化 unsigned char *rgb_to_gray(const unsigned char *rgb, unsigned char *gray, int width, int height) { int total = width * height; for (int i = 0; i < total; i++) { int r = rgb[i * 3 + 0]; int g = rgb[i * 3 + 1]; int b = rgb[i * 3 + 2]; // 系数77/150/29对应0.301/0.586/0.113，右移8位等于除以256 gray[i] = (unsigned char)((77 * r + 150 * g + 29 * b) >> 8); } return gray; } void global_threshold(const unsigned char *gray, unsigned char *bin, int width, int height, int threshold) { int total = width * height; for (int i = 0; i < total; i++) { bin[i] = (gray[i] > threshold) ? 255 : 0; } }逻辑说明：rgb_to_gray把每三个连续字节当作一个像素，分别取出R、G、B分量后用整数系数合成灰度值。77、150、29加起来正好是256，所以右移8位既完成了除法又没有精度损失。global_threshold遍历灰度图，高于阈值置255，否则置0，输出是一张纯黑白二值图。
参数说明：阈值threshold取值范围0到255，常见的默认值是128。但这个默认值只在画面明暗均匀时成立，实际项目里很少有人直接用128，因为它假设了图像整体亮度居中，这在工业现场几乎不成立。rgb指向的缓冲区内存布局一定要和实际通道顺序一致，如果源数据是RGBA（每像素4字节），这段代码的步长就要改成4而不是3，否则读出的颜色通道全是错位的。
2.3 参数：阈值怎么选，自适应阈值避免光照不均翻车
全局阈值在均匀光照下够用，但镜头正对窗户或工件表面有反光时，固定阈值就会翻车：暗区的目标被并进黑色背景，亮区的背景被抬成白色，二值图变成一片花斑。解决思路不是去调一个更聪明的全局值，而是让每个像素的阈值由局部区域的亮度决定，这就是自适应阈值。
// adaptive_threshold.c —— 分块局部阈值，避免光照不均 void adaptive_threshold(const unsigned char *gray, unsigned char *bin, int width, int height, int block_size, int percent) { for (int by = 0; by < height; by += block_size) { for (int bx = 0; bx < width; bx += block_size) { int sum = 0; int cnt = 0; // 统计当前块内像素总和，注意边界裁剪 for (int y = by; y < by + block_size && y < height; y++) { for (int x = bx; x < bx + block_size && x < width; x++) { sum += gray[y * width + x]; cnt++; } } int local_th = (sum / cnt) * 100 / percent; // 用局部阈值处理整块 for (int y = by; y < by + block_size && y < height; y++) { for (int x = bx; x < bx + block_size && x < width; x++) { bin[y * width + x] = (gray[y * width + x] > local_th) ? 255 : 0; } } } } }参数说明：block_size我一般取图像宽度的十分之一，最小不小于8。太小会产生棋盘状噪声，太大则退化成全局阈值。percent取85到90，意思是块内平均亮度再下调10%到15%，避免亮区把目标整个涂白。边界块尤其要注意：图像宽高不一定能被block_size整除，循环里必须加上y < height和x < width的判断，少写这两个条件会让块边缘的数据串到相邻块，阈值计算凭空多出一批不该有的像素，最终表现为局部出现异常黑块或白块。
3. 直方图均衡化与平滑滤波：增强对比度、压制噪声的三段代码
3.1 直方图均衡化：对比度增强的原理和累计分布代码
雾天或逆光拍到的灰度图，像素值集中在一个窄区间，画面的黑白层次出不来。直方图均衡化把这幅图的灰度分布强行拉平到整个0到255范围：先统计每个灰度值出现的次数得到直方图，再对直方图做累计求和，得到每个灰度值在整体中的累积比例，最后用累积比例映射到0到255。核心公式是out = cum * 255 / total。
// histogram_equalization.c —— 直方图均衡化 void equalize_histogram(const unsigned char *src, unsigned char *dst, int width, int height) { uint32_t hist[256] = {0}; uint32_t cum[256] = {0}; unsigned char map[256] = {0}; int total = width * height; for (int i = 0; i < total; i++) { hist[src[i]]++; } cum[0] = hist[0]; for (int i = 1; i < 256; i++) { cum[i] = cum[i - 1] + hist[i]; } for (int i = 0; i < 256; i++) { map[i] = (unsigned char)((uint32_t)cum[i] * 255 / total); } for (int i = 0; i < total; i++) { dst[i] = map[src[i]]; } }逻辑说明：累计分布计算中，cum[i] * 255在图像较大时可能超过int上限，所以中间量用uint32_t。映射查表完成后，只需要一次遍历就能把整张灰度图重新映射。
一个容易踩的进阶点：直方图均衡化会把噪声一起放大，尤其在暗部区域。常用做法是限制对比度——先把直方图每个桶在某个上限处截断，把截掉的部分平摊到所有桶再做累计映射。clip_limit我一般取像素总数的1%左右，超过这个值的直方图桶会被截断，效果是图像对比度提升的同时，噪声不会一起被拉高。
3.2 均值滤波与高斯滤波：邻域卷积的朴素写法
均值滤波用3×3窗口内所有像素的平均值替换中心像素，作用是平滑图像、压制随机噪声，代价是边缘被同时模糊。高斯滤波本质是带权重的均值：中心权重最高，距离越远权重越低，模糊更柔和，边缘保留更好。3×3高斯核最常用的是
1 2 1 2 4 2 1 2 1整体除以16得到归一化结果。
// gaussian_filter.c —— 3x3 高斯滤波 const int k_gauss[3][3] = {{1, 2, 1}, {2, 4, 2}, {1, 2, 1}}; void gaussian_filter(const unsigned char *src, unsigned char *dst, int width, int height) { // 边界像素不做卷积，先拷贝 for (int i = 0; i < width * height; i++) { dst[i] = src[i]; } for (int y = 1; y < height - 1; y++) { for (int x = 1; x < width - 1; x++) { int sum = 0; for (int ky = -1; ky <= 1; ky++) { for (int kx = -1; kx <= 1; kx++) { sum += src[(y + ky) * width + (x + kx)] * k_gauss[ky + 1][kx + 1]; } } dst[y * width + x] = (unsigned char)(sum / 16); } } }参数说明：高斯核中心系数4对应中心像素权重，角落系数1对应对角权重。除以16是归一化，保证平坦区域滤波前后亮度不变。边界处理我选择“原样拷贝”，因为对大多数图像，边缘一圈像素占比很小，专门做镜像填充收益不大。注意如果你的图是灰度图，src已经是单字节，如果是彩色图，则需要按通道分离后再逐通道滤波，否则RGB混在一起卷积出来的颜色是错误的。
3.3 中值滤波：用排序干掉椒盐噪声，以及性能取舍
椒盐噪声是画面里随机出现的黑白点，均值卷积会把噪点扩散成灰斑，高斯滤波也压不住单独的点。中值滤波的做法是把窗口内像素排序后取中间值，孤立噪点会被周围邻居“挤”出去，同时边缘保留比均值滤波好得多。
// median_filter.c —— 3x3 中值滤波 static unsigned char median9(const unsigned char *w) { unsigned char v[9]; for (int i = 0; i < 9; i++) v[i] = w[i]; // 冒泡排序，取中间值 for (int i = 0; i < 8; i++) { for (int j = 0; j < 8 - i; j++) { if (v[j] > v[j + 1]) { unsigned char t = v[j]; v[j] = v[j + 1]; v[j + 1] = t; } } } return v[4]; } void median_filter(const unsigned char *src, unsigned char *dst, int width, int height) { for (int i = 0; i < width * height; i++) { dst[i] = src[i]; } for (int y = 1; y < height - 1; y++) { for (int x = 1; x < width - 1; x++) { unsigned char win[9]; int n = 0; for (int ky = -1; ky <= 1; ky++) { for (int kx = -1; kx <= 1; kx++) { win[n++] = src[(y + ky) * width + (x + kx)]; } } dst[y * width + x] = median9(win); } } }参数说明：9个像素排序后用下标4，即中间值。中值滤波没有“系数”可调，唯一要选的是窗口尺寸——3×3处理一般噪声够用，噪声密集时换5×5，但边缘会更钝。性能上，冒泡排序对每个像素要做几十次比较，处理一张1280×720的图比高斯滤波慢不少。如果对速度有要求，可以用计数法替代排序：因为灰度值只有256种，统计9个像素的值分布后从头累加计数，找到第5个值即可，复杂度从排序的O(81)降为O(9+256)，在循环跑几千次的项目里差别肉眼可见。
| 算法 | 适用场景 | 主要缺点 |
|---|---|---|
| 均值滤波 | 高斯噪声、随机细小噪点 | 边缘模糊 |
| 高斯滤波 | 需要柔和去噪、保留轮廓 | 计算量略高于均值 |
| 中值滤波 | 椒盐噪声、孤立白点黑点 | 排序耗时，边缘易钝 |
4. 边缘检测与形态学处理：用梯度找边界，用邻域逻辑去噪
4.1 Sobel算子的卷积计算与阈值判定
Sobel算子求的是图像亮度梯度的方向和大小。水平模板Gx检测垂直边缘，垂直模板Gy检测水平边缘。对每个像素，卷积得到梯度分量gx和gy，再计算梯度幅值。幅值工程上常用绝对值相加abs(gx) + abs(gy)，比开根号快得多，精度损失在边缘检测场景里可以接受。
// sobel.c —— Sobel边缘检测，输出二值边缘图 const int kx[3][3] = {{-1, 0, 1}, {-2, 0, 2}, {-1, 0, 1}}; const int ky[3][3] = {{-1, -2, -1}, {0, 0, 0}, {1, 2, 1}}; void sobel_edge(const unsigned char *src, unsigned char *dst, int width, int height, int threshold) { for (int i = 0; i < width * height; i++) { dst[i] = 0; } for (int y = 1; y < height - 1; y++) { for (int x = 1; x < width - 1; x++) { int gx = 0, gy = 0; for (int dy = -1; dy <= 1; dy++) { for (int dx = -1; dx <= 1; dx++) { int p = src[(y + dy) * width + (x + dx)]; gx += p * kx[dy + 1][dx + 1]; gy += p * ky[dy + 1][dx + 1]; } } // 绝对值之和近似梯度幅值 int mag = (gx < 0 ? -gx : gx) + (gy < 0 ? -gy : gy); dst[y * width + x] = mag > threshold ? 255 : 0; } } }参数说明：threshold通常在80到120之间。太低会把噪声当边缘，太高会让边缘断断续续。一个很实用的调参顺序是：先对图片做一次高斯滤波，再用Sobel提边，边缘会干净很多。另一个细节：梯度分量用int保存，不要用short或char，因为两个模板系数最大到2，像素最大255，窗口内9个点叠加后完全有可能超过8位有符号数范围。
4.2 腐蚀与膨胀：对二值图像做邻域逻辑运算
边缘检测得到的是二值图，上面往往散布着孤立亮点和细碎毛刺。形态学处理用邻域逻辑来清理这些噪声。腐蚀的规则是：中心像素只有在其邻域内全部为255时才保留255，否则置0，效果是前景区域“瘦一圈”，能去掉孤立点。膨胀的规则反过来：只要邻域里有一个255，中心就置255，效果是“胖一圈”，能填补细缝和空洞。
// morph.c —— 3x3方形结构元素腐蚀 void erode(const unsigned char *bin, unsigned char *dst, int width, int height) { for (int i = 0; i < width * height; i++) { dst[i] = 0; } for (int y = 1; y < height - 1; y++) { for (int x = 1; x < width - 1; x++) { int all_one = 1; for (int dy = -1; dy <= 1 && all_one; dy++) { for (int dx = -1; dx <= 1; dx++) { if (bin[(y + dy) * width + (x + dx)] != 255) { all_one = 0; break; } } } dst[y * width + x] = all_one ? 255 : 0; } } }逻辑说明：腐蚀的输出依赖邻域内所有像素，因此边界一圈像素按0处理，这是最保守的做法。膨胀的代码结构几乎一样，只是把“全部为255”换成“至少一个255”。结构元素这里用3×3方形，但实际项目里常按目标形状换：十字形结构元素腐蚀可以断开狭窄的连接，水平长条结构元素可以保留横向线条、去掉纵向噪点。选结构元素的核心逻辑是“你想保留什么形状，就用什么形状当模板”。
4.3 组合案例：先腐蚀后膨胀再提取边缘，流程怎么排
形态学操作最怕顺序搞反。对二值图想去除孤立噪点，我一般先腐蚀一次再膨胀一次，这叫开运算，作用是去掉外部毛刺和孤立点；反过来先膨胀再腐蚀是闭运算，作用是填补内部小洞和裂缝。两种顺序都能起到去噪作用，但适用对象完全不同。
一个常见组合流程是：先高斯滤波压制传感器噪声，再Sobel得到边缘二值图，对边缘图做一次开运算去掉零散噪点，最后用膨胀把断开的边缘线连接起来。腐蚀和膨胀的次数要配套，多腐蚀一次就得多膨胀一次，否则边缘会整体偏移一个像素。这块属于典型的“参数靠经验”的环节，看起来差别不大，实际效果能差出几条街，我一般会先把中间结果输出成图片，肉眼确认每一步效果后再往下走。
5. C语言图像处理避坑指南：越界、溢出和内存泄漏的排查记录
5.1 处理后的图像出现规律性条纹：行对齐没处理
现象：用BMP测试时，算法跑完输出的图像被斜向切开，行与行之间出现错位或重复条纹，条纹间距固定，且越往下错位越严重。
原因：BMP格式规定每行像素数据必须4字节对齐。24位图宽101像素时，每行实际像素数据是101×3=303字节，但BMP文件里这一行要补1字节到304字节，下一行从偏移304开始。如果加载时按width * channels分配内存，处理时也按这个步长遍历，从第2行开始数据就整体错位，126字节处的行首实际指向了上一行的补零字节，画面自然裂开。这是图像处理里最常见的“看起来像算法问题、其实是格式问题”的坑。
解决：把“每行真实占用的字节数”单独存一个变量，通常叫pitch，所有跨行遍历都用它定位行首：
// 用pitch定位行首，避免行对齐错位 const unsigned char *row = data + y * pitch; const unsigned char *px = row + x * 3;逻辑说明：pitch的计算公式是((width * channels + 3) / 4) * 4，即向上取整到4的倍数。灰度图如果宽度本身是4的倍数则不受影响，彩色图就特别容易踩。另一个容易忽视的点：BMP文件里像素按行存储时，如果高度为正，数据从下往上排，处理前要判断高度方向，否则图像上下颠倒，直接拿边缘检测结果去定位坐标整体偏置。
5.2 亮点变成黑点：有符号溢出与截断问题
现象：原图中高亮区域经过卷积滤波后，本应是白色亮斑的地方出现了大量黑点，图像看起来像亮度反转，或者有规律地出现“黑白相间”的网格。
原因：这是C语言里很典型的类型溢出血泪经验。卷积累加时，中间量如果声明成char、short或uint8_t，一旦结果超出类型范围就会截断。比如高斯滤波求和后除以16，中间结果sum完全可能超过1000，用8位变量存就会从127翻到负值，再赋值给unsigned char时得到的是257减去这个值的混乱结果，白色区域就这样“溢出”成了黑点。另外，若某个变量的类型是默认的signed char，像素值大于127会被当负数参与运算，梯度方向也可能因此反向。
解决：卷积累加一律用int，最后一刻再做饱和截断，而不是强制类型转换：
// 饱和截断到0~255 int val = ...; // 卷积或滤波计算结果 dst[i] = (unsigned char)(val < 0 ? 0 : (val > 255 ? 255 : val));逻辑说明：val < 0 ? 0处理负值，val > 255 ? 255处理溢出。写成函数或宏可以避免每次手写。这类问题另一个排查技巧：把输出结果保存为PNG或BMP后放大观察，如果噪点总是出现在边缘或高亮区域，优先检查是不是截断方式不对，而不是怀疑算法逻辑。
5.3 内存持续增长：泄漏还是越界，如何定位
现象：写了一个批处理循环，连续处理几百张图片时内存占用一路走高，最终程序崩溃。单独跑一张图没有异常，跑大量图片才出问题。
原因：多数情况是循环内为每张图临时分配的缓冲区没有释放。另一个更隐蔽的原因：某处越界写操作恰好覆盖了堆管理器记录块大小的区域，内存分配器在后续malloc或free时读到被破坏的元数据，直接崩掉。两条原因都叫“内存问题”，但定位手段完全不同。
解决：先检查是否有malloc和free不对称。我的习惯是坚持“每次malloc配一次free”，且在同一层函数里完成：分配、处理、释放写在一个函数内部，函数返回前必然free，避免产生悬挂指针。线下排查用AddressSanitizer，编译加-fsanitize=address再跑，越界和泄漏会直接报出具体文件和行号，比肉眼翻代码高效得多：
// 内存分配后立刻检查失败 unsigned char *buf = (unsigned char *)malloc(width * height); if (!buf) { fprintf(stderr, "malloc failed at thread %d\n", tid); return -1; } // ... 处理 ... free(buf);参数说明：malloc失败在嵌入式环境里比桌面上常见得多，检查返回值是必须步骤。如果内存一直涨但ASan没报泄漏，多半是缓冲区越界写到了堆元数据，把-fsanitize=address和-fsanitize=undefined一起开，一般能直接捕获。切记不要在越界问题没解决的情况下用多线程，否则错误现场会随机出现在另一个线程里，摊上这种玄学问题，定位代价直接翻倍。
注意：处理多帧图像时，优先用jpeg、png这种编码格式做中间调试验证，BMP虽然方便做像素级分析，但它补零对齐的规则容易掩盖真实的算法问题，也容易引入额外干扰。
6. 进阶：BMP文件读写与性能优化的落地技巧
6.1 一个够用的BMP加载骨架，先把图片喂进算法
调试算法最直接的就是拿BMP当测试图，因为不需要外部编解码库，文件头信息也能直接手解。BMP文件像素区之前有54字节信息头，记录数据区偏移、宽、高、位深。读取时手动按字节解析，避免结构体对齐导致读错偏移。
// bmp_loader.c —— 手动解析BMP，加载像素数据 #include <stdio.h> #include <stdint.h> #include <stdlib.h> int load_bmp(const char *path, uint8_t **pixels, int *width, int *height, int *pitch, int *channels) { FILE *fp = fopen(path, "rb"); if (!fp) return -1; uint8_t hdr[54]; if (fread(hdr, 1, 54, fp) != 54) { fclose(fp); return -1; } if (hdr[0] != 'B' || hdr[1] != 'M') { fclose(fp); return -1; } uint32_t offset = hdr[10] | (uint32_t)hdr[11] << 8 | (uint32_t)hdr[12] << 16 | (uint32_t)hdr[13] << 24; uint32_t w = hdr[18] | (uint32_t)hdr[19] << 8 | (uint32_t)hdr[20] << 16 | (uint32_t)hdr[21] << 24; uint32_t h = hdr[22] | (uint32_t)hdr[23] << 8 | (uint32_t)hdr[24] << 16 | (uint32_t)hdr[25] << 24; uint16_t bits = hdr[28] | (uint16_t)hdr[29] << 8; int ch = bits / 8; int row = w * ch; int aligned = (row + 3) / 4 * 4; uint8_t *data = (uint8_t *)malloc(aligned * h); if (!data) { fclose(fp); return -1; } fseek(fp, offset, SEEK_SET); fread(data, 1, aligned * h, fp); fclose(fp); *pixels = data; *width = (int)w; *height = (int)h; *pitch = aligned; *channels = ch; return 0; }逻辑说明：这里只解析了BMP最基础的文件信息头，24位和32位不带压缩的BMP足够日常算法测试用。aligned计算了行对齐后的实际字节数，像素区按这个大小一次性读入，后续算法统一用pitch定位行首。offset计算用手动左移而不是结构体，规避了编译器对齐问题。保存BMP的流程就是反过来：头部构造、像素区按pitch写入，注意宽高方向和图像数据要匹配。
6.2 性能优化三招：指针遍历、查表、编译选项
第一招是改遍历方式。src[y * width + x]每访问一次都要做乘法加加法，编译器优化后可能还好，但长循环里指针增量写法更直观，也更稳定：
// 指针增量遍历，减少重复索引计算 const unsigned char *p = src; unsigned char *q = dst; for (int i = 0; i < width * height; i++) { *q++ = (*p > 128) ? 255 : 0; p++; }逻辑说明：每个循环周期只做一次解引用和一次自增，按时序执行的分支预测也更友好。第二招是查表法，把固定运算提前算好——比如预先把0到255所有值和卷积系数的乘积存成数组，卷积时直接取值，省掉大量乘法。灰度化的浮点转整数其实也是一种查表思想。第三招是编译选项，用-O2起步，必要时加-march=native让编译器用足当前CPU的指令集，先优化编译再改代码，很多时候问题在编译器这一层就解决了。
优化前先分析热点，别凭感觉改代码。我最早写滤波时凭直觉改了半天循环展开，实测一点变化没有，后来才发现瓶颈在每次malloc临时缓冲，改成复用缓冲区后速度直接翻倍。先打点计时，跑一遍找出耗时最多的函数再动手，比什么都管用。
我自己最早开始写这类代码时，最大教训就是没把BMP的pitch当回事，一张测试图怎么调都不对，最后用十六进制逐行对比数据才定位到行对齐问题。现在我拿到任何来源的图像数据，第一件事就是确认pitch和channels，再往下写算法验证。这个习惯帮我避开了不少后期调试的麻烦，也希望帮到你。
本文还有配套的精品资源，点击获取
