图像处理标准测试图全攻略：Lena、Cameraman等经典图获取与避坑指南

做图像处理实战和科研的同学，手里大概率都有一张叫lena.jpg的图片，或者cameraman.tif、peppers.png。这些标准测试图在论文、课件、博客里反复出现，但随着 MATLAB、OpenCV、scikit-image 这些工具库不断更新，获取方式也跟着变了。我见过不少新人第一天就卡在“找不到 Lena 图”上，也见过有人从网上下了一堆带水印、分辨率混乱的图片，跑完实验数据根本没法和别人对比。这篇文章就把我这些年收集、整理、使用这些经典标准图的方法、来源和踩过的坑全部写出来，适合刚入门图像处理的学生、需要复现论文的实验人员，也包括要搭统一测试数据集的工程师。

1. 标准测试图片解决什么问题

搞清楚为什么需要标准测试图，比单纯找到图片更重要。很多人一开始不理解，觉得随便找张照片就能测算法，结果论文写得差不多时，发现自己用的图和别人完全不一样，根因就在于没有建立统一的“对照组”意识。

1.1 算法对比需要“公共坐标系”

图像处理实验本质上是在回答一个问题：这个算法到底好在哪里？如果你拿自己的图，别人拿自己的图，即使评价指标都是 PSNR、SSIM，结果也没法横向比较，因为输入内容本身就不一样。标准测试图的作用就像度量衡，它给所有研究者和工程师提供了一组公认的输入数据，让算法站在同一条起跑线上。

举个真实的场景：你在复现一篇去噪论文时，文中写了“在 Lena 图上添加 σ=25 的高斯噪声，PSNR 达到 32.1dB”。如果是同一个图、同一个噪声种子，你可以直接复现；如果换了另一张图，哪怕算法完全一样，数字也会变。我做过一批对比实验，仅仅把测试图从 Lena 换成 Cameraman，同一种去噪算法的 PSNR 就能差出 1dB 到 2dB。这就是为什么标准和统一如此重要。

1.2 好测试图片的素质清单

不是任何一张照片都适合当测试图。经典标准图能“活”几十年，是因为它们恰好覆盖了图像处理算法需要考察的各种特征。

我从使用者的角度总结了几条硬指标：

• 细节丰富程度：好的测试图得有纹理、边缘、平滑区域。比如 Lena 的帽檐和羽毛、Baboon 的毛发，都能用来检验算法对细节的保持能力。
• 动态范围与对比度：Boat 这张图前景、背景、亮部和暗部都有大量内容，很适合测试亮度变换和动态范围压缩。
• 灰度与色块分布：既有大面积平缓区域，又有高频复杂区域，才能检验算法在不同频段下的表现。
• 尺寸和格式标准化：经典图大多是 512×512 或 256×256 的灰度/彩色图，格式多为 TIFF、PNG，便于直接读取和批量处理。
• 来源可追溯：必须是公开、稳定、可获得的资源，别人能拿到同一张图去复现你的实验。

我这几年实际用下来，发现很多网上的“高清版 Lena”其实是从杂志原图重新裁剪扫描的，尺寸、亮度分布和经典版本并不一致。用这种图写论文，评审一旦用标准版复现，结果就对不上。所以获取标准图的第一原则永远是：去权威来源下载，不要随便抓一张就开跑。

2. 这些经典图片到底是什么来头

很多图像处理教材把 Lena、Cameraman 直接当作“图像处理界的 hello world”来用，但很少有人介绍这些图的背景。了解它们各自的成像特征，其实是在帮你判断“我这个实验到底该用哪张图”。

2.1 头牌 Lena：流传最广也最具争议

Lena 图全称是 Lenna，来源于 1972 年某知名杂志内页照片的数字化裁剪版本，经过早期扫描数字化后，以 512×512 的灰度图像形式进入图像处理领域。图像内容是一个戴帽子的女性肖像，脸部肤色、帽檐纹理、羽毛和背景形成了非常丰富的灰度层次，既能测滤波器，又能测压缩算法。

必须说一句：Lena 的背景在今天引发了关于数据集来源和学术伦理的讨论，有些学术期刊和课程开始倡导使用替代图片。如果你在写论文，最好先查目标期刊和会议是否接受 Lena 图；如果是在做课程作业，老师一般会明确指定。我在大概三年前开始有意识地用cameraman.tif和goldhill.tif作为默认测试图，既避开了争议，也满足实验需求。不过，复现老论文时你仍然绕不开 Lena，因为很多经典算法的 benchmark 数字都是在 Lena 上测出来的。

2.2 Cameraman 与其它经典成员的画像

Cameraman 图是一张摄影师站在草地上的黑白图片，手持摄像机，背景是地平线和天空。它的特点是有大量细碎草坪纹理和平滑天空，边缘和动态细节都很有代表性，是边缘检测和图像复原实验里的常客。

Peppers 是彩椒图，常见版本有 512×512 彩色图，色彩饱和度高、色彩过渡平滑，常用于彩色图像处理、色彩空间转换和压缩算法评估。Baboon（也叫 Mandrill）是一只狒狒的脸部特写，毛发和皮肤的纹理极其密集，高精度纹理测试基本都靠它，做去噪实验时它比 Lena 更能暴露算法的“磨皮”问题。Barbara 图中人物衣服的编织纹理和场景里的条纹图案，对频域分析非常友好。Boat（也叫 ship）图则因为亮度动态范围大，经常被用来测直方图均衡和对比度增强。

Goldhill 是一张乡村建筑与人物的图片，纹理复杂度适中，在 JPEG 编码类论文中出现频率很高。Airplane（F-16 飞机图）有平滑的天空背景和机身的金属细节，是压缩测试的经典素材。House 图结构清晰、边缘明确，适合形态学和结构分析。

2.3 经典图片特性对比表

为了方便做选型，我整理了一个速查表，标注了每张图的典型尺寸、色彩模式和最适合的使用场景。

我自己最常用的组合是Cameraman + Baboon + Goldhill三张灰度图，再配一张 Peppers 彩色图。这个组合覆盖了平滑、纹理、边缘三个维度，几乎满足我日常 80% 的算法验证需求。

3. 从哪获取最靠谱：四条主流途径

获取标准图的方式其实很多，但可靠性差异巨大。下面这几条是我用下来最稳妥的路子，按推荐程度排了一下，你可以根据自己手头环境直接抄作业。

3.1 学术数据库：以 USC-SIPI 为例

USC-SIPI（南加州大学信号与图像处理研究所）的图像数据库是行业最经典的来源。它按图像内容分了几个编号系列，其中4.2.04就是大家常说的 Lena，4.2.05是 Baboon，4.2.06是 Barbara，4.2.07是 Airplane。进入数据库页面后，每个文件都有 JPEG 和 TIFF 格式可选，还标明了来源。

这个数据库的优点是权威、稳定，很多论文里的测试图都直接引用它。缺点是页面比较老，文件名一套编号体系刚开始接触会有点懵。下载时注意看文件的尺寸标注，同一个编号往往有 512×512 和 256×256 两个版本，别下错。

另一个我常用的是 Time 系测试图像（3.2.xx系列），里面包括 Goldhill、Cameraman 等同源的灰度图。如果你需要一批不同内容、统一规格的图像集，直接从 USC-SIPI 的系统里批量下载是最高效的。

3.2 编程环境内置资源：MATLAB、OpenCV、scikit-image

如果你的实验环境是 MATLAB，那最方便的办法就是直接用内置标准图：

cameraman = imread('cameraman.tif'); peppers = imread('peppers.png'); rice = imread('rice.png'); imshow(cameraman);

MATLAB 自带图像工具箱里内置了一组经典图片，包括 cameraman.tif、peppers.png、rice.png、bag.png、coins.png、circuit.tif、football.jpg、mandrill.mat 等。这里有一个重要变化：在较新的 MATLAB 版本中，lena.tif已经被移除了内置列表，新版本直接imread('lena.tif')会报错。如果你跑的老代码里有这行，要么换图，要么手动下载 Lena 复制到工作目录。

OpenCV 的安装包带了一个samples/data目录，里面有lena.jpg、camera.png、home.jpg等图片。在 OpenCV 源码仓库里能找到samples/data/lena.jpg，克隆后直接读取即可。Python 环境里我更常用的是 scikit-image：

from skimage import data camera = data.camera() # Cameraman 灰度图 astronaut = data.astronaut() # 彩色航天员图 chelsea = data.chelsea() # 猫的彩色图 coffee = data.coffee() # 咖啡杯彩色图

需要注意：scikit-image 旧版本有data.lena()，但新版本已经移除了，所以别再用这个接口。

3.3 GitHub 与课程网站的资源

GitHub 上有不少仓库专门收集标准测试图，比如opencv/opencv的samples/data、scikit-image/scikit-image的skimage/data目录等。也有一部分大学课程主页和论文补充材料会提供打包下载。

使用 GitHub 资源时我会额外看两个东西：一是仓库更新时间，二是库里的图片是否有额外处理。有的仓库给图片加了水印或压缩过，不适合做严格实验。我个人习惯只从源码仓库里复制官方带出的那份，比如直接从 OpenCV 官方仓库对应路径拉lena.jpg，这样可以保证和大多数教程里的cv2.imread("lena.jpg")完全一致。

如果你需要一次性获取一整套标准测试图，还有一种思路：用脚本批量下载。以 Python 为例，从 USC-SIPI 一类支持直链下载的页面批量保存文件到test_images/目录：

import requests url = "https://sipi.usc.edu/database/preview/misc/4.2.04.tiff" r = requests.get(url, timeout=30) with open("test_images/lena_512.tiff", "wb") as f: f.write(r.content) print("downloaded:", len(r.content), "bytes")

不过要注意，USC-SIPI 的直链有时会带访问限制，如果requests拿到的是个错误页面，就先在浏览器里手动打开确认下，再调整连接参数。

3.4 我的下载实操流程

我整理了一条比较省心的路线，照着做基本不会再为图发愁：

1. 先建一个统一目录：D:/image_test/std_images/或~/std_images/，专门存放原始标准图，不混合其他项目素材。
2. 用 MATLAB 的imread能直接读取的内置图，优先用内置，比如 Cameraman、Peppers。
3. 需要 Lena、Baboon 这类内置里没有的图，直接访问 USC-SIPI 数据库，按编号下载 TIFF 或 JPEG。
4. 下载后立刻检查尺寸、位深、文件大小，用脚本批量记录文件名和规格，生成一个manifest.csv。
5. 每张图都保留一份未修改的原格式副本，之后所有实验从这份副本复制，避免不小心覆盖。

这个流程看起来简单，但能避免我在第三部分会讲的一堆坑。尤其是第 4 步的清单，我强烈建议你做。到时候写论文需要列“数据集情况”时，这个清单直接就能用。

4. 拿到图片后容易踩的坑

图片下载下来不等于万事大吉。我在带新人的过程中发现，大量复现问题的根源不在算法代码，而在测试图本身。这里挑几个高频坑详细说。

4.1 格式、位深与色彩空间问题

最常见的坑是格式混用。标准 Lena 的经典版本是 8bit 灰度 TIFF，但网上流通着 24bit 彩色版、JPEG 压缩版、PNG 无损版，甚至有人把 64×64 的缩略图也传上来了。你如果用不同格式跑同一个算法，结果出现细微差异是正常的，但在论文里却会让读者觉得莫名其妙。

读取图片后，第二件事是确认位深。有的 TIFF 是 16bit，直接做归一化时如果不除以 65535 而是除以 255，就会出现整体偏暗。我处理灰度图时的标准做法是：

import cv2 import numpy as np img = cv2.imread("lena_512.tiff", cv2.IMREAD_UNCHANGED) print("shape:", img.shape, "dtype:", img.dtype) if img.dtype == np.uint16: img = (img / 65535 * 255).astype(np.uint8)

色彩空间的问题主要在彩色图。cv2.imread按 BGR 顺序读取，而matplotlib.pyplot.imshow默认按 RGB 显示，直接显示会出现颜色偏蓝偏红的问题。正确做法是用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换后再显示。

4.2 读取失败与路径问题

cv2.imread最大的特点是不报错。路径错了或文件不存在时它会默默返回None，如果你没做判空就运行下一步，跑到后面才报'NoneType' object has no attribute' shape'，排查起来特别费劲。

我强烈建议在读取后立刻加一步断言：

assert img is not None, "图像读取失败，检查文件路径"

还有一个坑是中文路径。Windows 10 以上的系统用cv2.imread读取带中文目录名的文件时经常会返回None，这不是图片损坏，而是 OpenCV 的编码兼容问题。最简单的解决办法是：所有测试图片和相关目录之间只用英文路径，不要带中文名。如果你必须在中文路径下工作，可以改用cv2.imdecode(np.fromfile(...), ...)，但我还是建议重新梳理一下目录结构，一劳永逸。

4.3 版本兼容性：新版 MATLAB 为何没有 Lena

前面提到过新版 MATLAB 内置数据集中已经删除了 Lena，但这并不影响你自己把下载好的lena.tif放到工作目录。真正的兼容性问题更多出现在 Python 生态：

• skimage 新版本移除了data.lena()，旧代码迁移时要替换成自己下载的 Lena 或改用data.camera()。
• OpenCV 的samples/data在不同版本中包含的图片差异很大，有些版本有lena.jpg，有些版本没有。
• 有的教程里用skimage.io.imread读 TIFF，但你的环境没装tifffile插件，就会报错。

你在跑老论文的源码前，最好先去读一下源码里图片加载部分的说明，确认它依赖的是哪张图、哪个库的哪个版本。我通常的做法是建一个虚拟环境时固定库版本：

pip install scikit-image==0.19.3 opencv-python==4.8.1.78

固定版本之后再跑老代码，能省去一大半和图片版本有关的奇奇怪怪错误。

5. 获取后的检查、使用与常见问题排查

从实际业务角度出发，我再整理一下拿到图片后的检查清单和几个高频问题的快速排查方法。这些东西不算什么高深技术，但很实用。

5.1 图片有效性检查清单

我给自己定了一个标准流程，每张图片经过以下检查才算“可入库存”：

• 文件名不含空格和特殊符号，统一用图片名_尺寸_色彩模式.扩展名。
• 文件可用cv2.imread或 MATLABimread正常读取，且shape符合预期。
• 像素值分布正常，没有异常的 0 值或 255 值高原，否则可能是转换时损坏了。
• 如果是从网上下到的灰度图，检查一下它到底是真灰度还是伪灰度（彩色图每个通道数值相同）。
• 记录图片的来源、下载日期、许可证信息，方便论文中引用。

你可以用一段脚本快速生成图片清单：

import os import cv2 folder = "std_images" for name in sorted(os.listdir(folder)): path = os.path.join(folder, name) img = cv2.imread(path, cv2.IMREAD_UNCHANGED) if img is not None: print(f"{name}: {img.shape}, {img.dtype}") else: print(f"{name}: 读取失败")

这段脚本输出的清单我每次做实验前都会跑一遍，确保数据集完好。

5.2 常见问题速查表

这张表基本覆盖了我被问过 80% 的问题。剩下 20% 大多和具体平台有关，比如 MATLAB 工具箱未安装、Python 环境缺少tifffile等，报错信息里一般会写得很清楚，按提示安装即可。

5.3 一个容易被忽视的问题：测试图版权与使用规范

很多人下载图片时完全不看使用条款。USC-SIPI 数据库对多数标准测试图的使用限制较少，主要用于学术研究；从杂志扫描而来的部分图片则存在版权争议。虽然 Lena 图在学术界用了很多年，但近年来越来越多的期刊和机构明确不建议使用它，这和它源图像的性质有关。

如果你写论文或者做开源项目，我的建议是：

• 优先使用来源清晰、无争议的图片，比如 scikit-image 内置的camera、astronaut、coffee，或者 USC-SIPI 中明确标注可用的部分。
• 如果要直接复现经典论文，确实需要 Lena，在代码仓库的 README 里写明图片的来源和用途。
• 课程作业和公司内部实验可以放心用，但公开发布时注意注意许可证和来源声明。

6. 一点经验和小结

最后分享两条我在实际操作中的经验和习惯，供参考。

第一条是关于构建自己的测试素材库。不要每次实验临时去网上找图，而是花半小时把常用标准图整理到一个独立的仓库里，按照灰度/彩色、纹理/平滑/边缘等标签分类。后续做算法对比或写论文，直接从库里取，效率高很多。我现在的工作目录里维护着一个std_images文件夹，里面的图片统一命名、统一格式、统一尺寸，任何实验脚本进来都能直接跑。

第二条是关于从标准图到自定义测试图的过渡。标准图只是算法调试的基线，真正检验算法能力，需要自己构建包含多种场景的扩展测试集。比如做低光照增强，我会额外准备几张夜景图和弱光灰度图；做人脸相关处理，就得从公开人脸数据集中裁剪测试样本。标准图可以保证你的算法“在基准场景里没问题”，自定义测试图才能说明“在实际场景里也能用”。

如果你现在正是那个为了一张标准测试图翻遍网络的初学者，按我上面的路子走一遍，建好素材库，之后的学习效率会提升很多。如果遇到具体的读取问题或选图问题，也可以把报错信息和图片规格发出来一起讨论。