📚 课程目录第3章图像采集与预处理

3. 图像采集与预处理：从相机参数到增强图像

图像采集这一步，说白了就是给应力双折射检测系统装上一双「眼睛」。我见过不少项目，算法再牛，前面图像没拍好，后面全是白费功夫。今天咱们就把这双「眼睛」怎么调、怎么洗、怎么聚焦，一次说透。

3.1 相机参数设置——别让硬件拖后腿

相机参数不是随便设的。应力双折射检测里，我们拍的是偏振光干涉条纹，对亮度、对比度、均匀性要求极高。我个人习惯，拿到相机第一件事，先关掉自动增益（AGC）和自动白平衡（AWB）。

⚠️ 重要提醒： 自动参数在静态场景下会引入帧间波动。你今天标定好的阈值，明天可能就因为光线变化全废了。

下面这张表，是我在多个项目里总结出来的推荐参数范围：

参数项	推荐值/范围	说明
曝光时间	10~50 ms	太长会模糊运动条纹，太短信噪比不够
增益	0~6 dB	超过6 dB，噪声会明显抬头
Gamma	1.0（关闭）	非线性校正会扭曲干涉条纹的灰度关系
分辨率	全分辨率或2×2 binning	binning可提信噪比，但会降空间分辨率
帧率	与曝光时间匹配	确保每帧充分曝光，不丢帧

嗯，这里要注意：如果你用的是USB相机，别忘了检查带宽。我曾经在一个产线上遇到过，相机设了高帧率，结果USB带宽不够，图像出现撕裂——排查了整整两天才发现是线缆问题。

3.2 图像去噪——把底子擦干净

相机拍出来的原始图像，多少都有噪声。应力双折射检测里，噪声会直接干扰条纹的相位提取。我常用的去噪策略分三步：

时域平均：连续拍5~10帧取平均，消除随机噪声。适合静态样品。
中值滤波：核大小3×3或5×5，去除椒盐噪声，同时保留边缘。
高斯滤波：σ取0.8~1.5，平滑背景纹理，不破坏条纹结构。

💡 个人经验： 别一上来就用大核滤波。我见过有人用7×7高斯核，条纹边缘全糊了，相位解包直接失败。从3×3开始，不够再加。

代码实现也很简单，OpenCV里几行就搞定：

import cv2
import numpy as np

# 时域平均
frames = []
for i in range(10):
    ret, frame = cap.read()
    frames.append(frame.astype(np.float32))
img_avg = np.mean(frames, axis=0).astype(np.uint8)

# 中值滤波
img_median = cv2.medianBlur(img_avg, 3)

# 高斯滤波
img_gaussian = cv2.GaussianBlur(img_median, (3, 3), 0.8)

3.3 背景校正——消除系统误差

这一步很关键，但很多人会忽略。背景校正是为了消除照明不均匀、镜头渐晕、传感器暗电流等系统误差。

我常用的方法是「暗场-明场校正」：

暗场图像：遮挡镜头，拍一张全黑图像，记录暗电流和固定模式噪声。
明场图像：不放样品，拍一张均匀照明图像，记录照明分布和渐晕。

校正公式很简单：

I_corrected = (I_raw - I_dark) / (I_bright - I_dark) * 255

你想想看，如果照明不均匀，左边亮右边暗，那提取出来的应力分布肯定偏掉。我曾经在一个玻璃检测项目里，没做背景校正，结果应力分布图看起来像「阴阳脸」，后来加上这步，数据才正常。

✅ 关键点： 明场和暗场图像最好在每次检测前重新采集。环境温度变化、光源老化都会影响校正效果。

3.4 ROI提取——只关注该看的地方

整张图像里，真正有用的区域可能只占一小部分。ROI（感兴趣区域）提取能减少计算量，也能避免边缘伪影干扰。

我一般这样确定ROI：

自动定位：用边缘检测或模板匹配找到样品边界。
手动微调：在界面里留一个可拖拽的矩形框，方便操作员调整。
固定偏移：对于批量检测，样品位置固定后，ROI可以复用。

举个例子，如果样品是圆形玻璃片，我会先做霍夫圆检测，然后取内切矩形作为ROI：

# 霍夫圆检测
circles = cv2.HoughCircles(img_gaussian, cv2.HOUGH_GRADIENT, 1, 100)
if circles is not None:
    x, y, r = circles[0][0]
    roi = img_gaussian[int(y-r):int(y+r), int(x-r):int(x+r)]

⚠️ 避坑指南： 我曾经在ROI边界上吃过亏——样品边缘有倒角，倒角区域的应力分布和内部完全不同。如果ROI包含倒角，统计结果会失真。建议ROI向内收缩5~10个像素。

3.5 图像增强——让条纹更清晰

最后一步，图像增强。目的是让干涉条纹的对比度更高，边缘更锐利，方便后续的相位提取和应力计算。

我常用的增强手段：

方法	适用场景	参数建议
直方图均衡化	整体对比度低	限制对比度自适应直方图均衡化（CLAHE），clip limit=2.0
拉普拉斯锐化	条纹边缘模糊	核大小3×3，叠加系数0.5~1.0
同态滤波	照明不均匀残留	高通截止频率0.3~0.5
形态学操作	去除孤立噪点	开运算，核大小3×3

我个人最推荐CLAHE。它不会像普通直方图均衡化那样过度放大噪声，又能有效提升局部对比度。你看条纹检测里，暗区和亮区的细节都很重要，CLAHE刚好能兼顾。

# CLAHE增强
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
img_enhanced = clahe.apply(img_roi)

3.6 全流程知识图谱

下面这张图，把整个图像采集与预处理的流程串起来了。你可以把它贴在工位上，每次调试时对照着走一遍。

💡 我的习惯： 每次换光源或换样品批次，我都会重新走一遍这个流程。别嫌麻烦，前面省的时间，后面调试算法会加倍还回来。

好了，图像采集与预处理这部分就聊到这儿。记住一句话：好图像是检测成功的一半。参数调好了，噪声去干净了，背景校平了，ROI选准了，增强做对了——后面的相位提取和应力计算，就是水到渠成的事。