3、图像预处理技术：灰度化、直方图均衡化、高斯滤波与中值滤波去噪、图像增强

图像预处理，说白了就是给原始图像“洗把脸”。

我做了这么多年缺陷检验，见过太多因为预处理没做好，导致后续算法崩溃的案例。你想想看，一张满是噪声、对比度极低的照片，再好的检测模型也白搭。

这一章，我们就来聊聊预处理的核心四步：灰度化、直方图均衡化、滤波去噪、图像增强。每一步都有讲究，每一步都可能成为你项目中的“坑”。

3.1 灰度化：丢掉颜色，保留结构

大多数缺陷检验场景，颜色信息其实是冗余的。裂纹、气孔、划痕，这些缺陷在灰度图上反而更清晰。

为什么一定要灰度化？

• 减少计算量：三通道变单通道，数据量直接降到1/3。
• 消除光照干扰：彩色图像容易受光源色温影响，灰度图更稳定。
• 算法兼容性：很多经典算子（如Canny边缘检测）只接受灰度输入。

常用的灰度化方法有三种：

3.2 直方图均衡化：让暗部细节“浮出水面”

我遇到过一批铸件X光片，整体偏暗，缺陷区域几乎淹没在背景里。直方图均衡化就是专门解决这个问题的。

它的核心思想很简单：把像素值的分布“拉平”，让亮部和暗部都有足够的灰度级。

效果对比：

• 原图：直方图集中在低灰度区，图像偏暗。
• 均衡化后：直方图分布更均匀，对比度明显提升。

代码实现也很直接：

import cv2
import numpy as np

img = cv2.imread('defect.jpg', 0)  # 灰度读取
equ = cv2.equalizeHist(img)        # 直方图均衡化
cv2.imwrite('equ.jpg', equ)

3.3 滤波去噪：高斯滤波 vs 中值滤波

噪声是缺陷检验的头号敌人。我见过一个项目，因为没做滤波，把传感器噪声误判成了微裂纹，导致误报率飙升到40%。

两种主流滤波方式：

我的经验：

• 如果是CCD传感器热噪声（高斯型），用高斯滤波，核大小选3×3或5×5。
• 如果是传输过程中的丢点（椒盐噪声），用中值滤波，核大小选3×3，效果立竿见影。
• 如果两种噪声都有，我会先中值后高斯，顺序不能反。

# 高斯滤波
gaussian = cv2.GaussianBlur(img, (5,5), 1.5)

# 中值滤波
median = cv2.medianBlur(img, 3)

3.4 图像增强：对比度拉伸与锐化

滤波之后，图像干净了，但可能还不够“清晰”。这时候就需要增强处理。

3.4.1 对比度拉伸

说白了就是把像素值的范围拉开。比如原图灰度范围是[50, 150]，拉伸到[0, 255]，细节就出来了。

# 线性对比度拉伸
min_val, max_val = np.min(img), np.max(img)
stretched = ((img - min_val) / (max_val - min_val) * 255).astype(np.uint8)

更灵活的做法是用 分段线性拉伸，只增强感兴趣的区域。比如我只关心灰度100-200之间的缺陷，那就把这段斜率加大，其他区域压缩。

3.4.2 锐化

锐化的目的是让边缘更“锋利”。我常用的是 拉普拉斯算子 和 Sobel算子。

# 拉普拉斯锐化
laplacian = cv2.Laplacian(img, cv2.CV_64F)
sharpened = cv2.addWeighted(img, 1.5, laplacian, -0.5, 0)

3.5 本章知识体系

下面这张图，把整个预处理流程串起来了。你可以把它当作一个检查清单：

这四步走完，你的图像基本就“干净、清晰、对比度高”了。接下来就可以放心地交给缺陷分割和识别算法了。