4. 图像预处理：光照不均、噪声干扰下的图像增强技巧
材料缺陷标注，说白了就是跟图像质量较劲。我做了这么多年，最头疼的不是缺陷本身，而是拍出来的照片——光照忽明忽暗，传感器噪声一堆，这种图直接扔给标注员，标注质量能好才怪。
今天咱们就聊聊怎么把这些「烂图」救回来。嗯，这里要注意，预处理不是炫技，目的是让缺陷特征更明显，标注更省力。
4.1 光照不均：最隐蔽的坑
金属表面、复合材料断面，这些场景下光照不均几乎是常态。中心亮、边缘暗，或者一侧打光过曝。你想想看，标注员在这种图上画缺陷，边界都看不清，怎么画得准？
我个人习惯，先做两步诊断：
- 看直方图：如果直方图有两个明显的峰，说明光照分层严重
- 看局部方差：图像四角亮度差异超过30%，必须处理
我的经验： 别一上来就用全局直方图均衡化。我在项目中遇到过，全局均衡把背景噪声也放大了，缺陷反而被淹没。先做局部校正，再做增强，顺序很重要。
4.2 光照校正三板斧
我常用的方法就三个，按效果从简单到复杂排：
| 方法 | 原理 | 适用场景 | 我踩过的坑 |
|---|---|---|---|
| 高斯差分滤波 | 大核模糊减原图，提取光照分量 | 均匀渐变光照 | 核大小选错，缺陷被当成光照抹掉了 |
| 自适应直方图均衡（CLAHE） | 分块均衡，限制对比度放大 | 局部过曝/欠曝 | clip limit设太大，出现块状伪影 |
| Retinex理论 | 分离反射分量和光照分量 | 复杂光照+多材质 | 计算慢，实时标注场景慎用 |
我最常用的是CLAHE。为什么？因为它可控。你设个clip limit=2.0，块大小8x8，大部分金属表面缺陷都能看清楚。
import cv2
import numpy as np
def clahe_enhance(img, clip_limit=2.0, grid_size=(8,8)):
# 转LAB空间，只增强L通道
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)
clahe = cv2.createCLAHE(clipLimit=clip_limit,
tileGridSize=grid_size)
l_eq = clahe.apply(l)
lab_eq = cv2.merge([l_eq, a, b])
return cv2.cvtColor(lab_eq, cv2.COLOR_LAB2BGR)
注意： 不要在RGB空间直接做CLAHE！三个通道分别均衡会严重偏色。我吃过这个亏，标注员反馈说「这图颜色不对，我分不清是锈蚀还是阴影」。后来改成LAB空间只处理亮度通道，问题解决。
4.3 噪声干扰：小问题大麻烦
工业相机在低照度下，噪声是躲不掉的。尤其是高ISO拍摄的微观缺陷图，椒盐噪声和高斯噪声混在一起。标注员放大看细节，满屏噪点，标注精度直接掉到60%以下。
我建议的降噪策略：
- 先判断噪声类型：看直方图尾部，高斯噪声是平滑拖尾，椒盐噪声是孤立尖峰
- 混合噪声用中值+双边：先中值滤波去椒盐，再用双边滤波保边缘
- 千万别过度平滑：裂纹、划痕这些缺陷，边缘信息比噪声重要得多
4.4 实战降噪流程
这是我目前在产线上用的流程，效果比较稳定：
- 中值滤波：核大小3x3，去孤立噪点
- 双边滤波：d=9, sigmaColor=75, sigmaSpace=75，保边缘降噪
- 非局部均值去噪：如果噪声严重，再加一步fastNlMeansDenoising
def denoise_pipeline(img):
# 第一步：中值滤波去椒盐
img_median = cv2.medianBlur(img, 3)
# 第二步：双边滤波保边缘
img_bilateral = cv2.bilateralFilter(img_median, 9, 75, 75)
# 第三步：非局部均值（可选）
# img_denoised = cv2.fastNlMeansDenoisingColored(img_bilateral, None, 10, 10, 7, 21)
return img_bilateral
核心原则： 降噪的底线是「缺陷边缘清晰度不下降」。我一般会在降噪前后分别算一下Laplacian方差，如果下降超过15%，说明过度平滑了，得调参数。
4.5 光照+噪声联合处理策略
实际项目中，光照不均和噪声往往是同时出现的。我建议的顺序是：先校正光照，再降噪。为什么？因为光照校正可能会放大噪声，先降噪再校正，噪声会被CLAHE放大得更明显。
下面这张图是我总结的完整预处理流程：
4.6 参数调优：别死记硬背
很多同学问我：「CLAHE的clip limit到底设多少？」我的回答是：看你的图。不同材质、不同光照条件，参数天差地别。
我一般这样调：
- 金属反光表面：clip limit=1.5-2.0，块大小16x16，避免过度增强反光区域
- 复合材料断面：clip limit=3.0-4.0，块大小8x8，增强纤维纹理
- 陶瓷/玻璃：clip limit=2.0-2.5，块大小12x12，平衡细节和噪声
小技巧： 调参时别只看视觉效果。我会在增强后的图上跑一遍自动缺陷检测算法，看召回率变化。参数调到召回率最高点，那就是最佳值。视觉上「好看」不一定「好用」。
4.7 避坑指南
这些年我踩过的坑，列出来给大家参考：
- 别在压缩图像上做预处理：JPEG压缩带来的块效应，会被CLAHE放大成假缺陷。我建议用PNG或TIFF格式保存预处理结果
- 别忽略色彩空间转换：RGB直方图均衡容易偏色，HSV或LAB空间更安全
- 别一次性把所有增强都加上：我曾经把CLAHE+锐化+去噪+对比度拉伸全堆一起，结果图像出现严重伪影。每次只加一个操作，验证效果后再加下一个
- 注意边界效应：CLAHE在图像边缘会出现暗带，可以用镜像填充解决
曾经踩过的坑： 有一次我处理一批钢材表面裂纹图，用了很强的CLAHE增强。结果标注员反馈说「裂纹太多了，根本标不完」。我仔细一看，原来是把钢材表面的轧制纹理也增强成了裂纹状。从那以后，我每次增强完都会拿原图对比，确认没有引入假缺陷。