图像处理数据清洗核心是统一格式、剔除干扰、保留信息：统一转RGB并缩放到固定尺寸，过滤模糊/全黑/全白等低质图，校验文件头与标签路径一致性。
图像处理项目里的数据清洗，不是简单删掉几张坏图就完事。核心是让后续模型训练或分析能稳定、可靠地跑起来——重点在统一格式、剔除干扰、保留信息。
检查并统一图像格式与尺寸
不同来源的图像常混着 JPG、PNG、BMP，甚至带透明通道或灰度模式。模型一般只认固定尺寸的三通道 RGB 图。不统一容易报错或引入偏差。
- 用 PIL.Image 或 cv2 批量读取，检查
mode（如 'RGB'、'L'、'RGBA'），非 RGB 的转成 RGB；带 alpha 通道的丢弃 alpha，只留前三通道 - 统一缩放到目标尺寸（如 224×224），推荐用
Image.Resampling.LANCZOS（PIL）或cv2.INTER_LANCZOS4（OpenCV），避免模糊或锯齿 - 保存时统一为 JPG（压缩可控）或 PNG（无损），别混用；文件名建议重命名成
0001.jpg这类顺序编号，避开中文、空格、特殊符号
识别并过滤低质量/异常图像
模糊、全黑、纯白、严重过曝、截图带 UI 边框、极小分辨率（如 16×16）的图，会拖慢训练、污染特征学习。
- 用方差法粗筛模糊图：计算灰度图的拉普拉斯方差，低于阈值（如 10）大概率模糊；OpenCV 一行可搞定：
cv2.Laplacian(gray, cv2.CV_64F).var() - 统计像素值分布：全黑（均值≈0）、全白（均值≈255）、过曝（超过 95% 像素 > 240）可直接标记剔除
- 用 imghdr 或 filetype 库验证文件头，过滤“伪图”（比如实际是 HTML 文件但后缀为 .jpg）
校验标签一致性与路径映射
图像和标签（如分类标签、标注框坐标）必须严格一一对应。路径错位、标签文件缺失、坐标越界，模型一跑就崩。
立即学习“Python免费学习笔记（深入）”；
- 生成图像路径列表后，同步生成标签路径列表（如把
img/001.jpg→label/001.txt），用os.path.exists()批量检查是否存在 - 读取标注文件时加
try-except，跳过格式错误或空文件；对 bbox 坐标做边界检查（x1 - 用 Pandas 把图像名、尺寸、标签类型、是否有效等字段存成
cleaned_meta.csv，方便回溯和采样控制
可选：简单增强式清洗（非增广，是修复）
不是所有“脏”图都要删。有些可用轻量操作挽救，尤其样本少时。
- 轻微旋转/裁剪偏移的图，用仿射变换校正（需有参考线或已知结构，如文档类图像）
- 光照不均？用 CLAHE（限制对比度自适应直方图均衡）提升局部细节，
cv2.createCLAHE(clipLimit=2.0) - 有固定水印区域？统计多张图中该区域像素均值，建模后减去（慎用，仅限水印位置高度一致时）
基本上就这些。数据清洗不追求一步到位，而是分层推进：先保运行（格式+路径），再保质量（清晰+有效），最后保语义（标签准、结构稳）。跑通第一轮训练后，再根据 loss 曲线、错误样本反查，迭代优化清洗规则。
