📚 课程目录第4章图像采集与预处理基础

4. 图像采集与预处理基础

农产品表面缺陷检测的第一道“质量关口”并不在模型，而在进入模型之前的图像。同一条苹果分选线上，相机拍到的原始图像往往同时存在三类问题：传感器与光照带来的随机噪声、整体偏暗或反光造成的对比度不足、以及RGB三通道高度相关导致缺陷与果皮颜色难以区分。预处理的目标不是把图像“修得好看”，而是让缺陷区域在后续分割或分类中具有更稳定的可分性。本节围绕去噪、增强和色彩空间转换三个环节，结合农产品图像的实际特点展开，并给出可复现的对比实验思路。

一、去噪：先判断噪声类型，再选滤波器

工业相机在低照度或高增益下产生的噪声以高斯噪声为主，表现为全图细密的灰度起伏；传送带振动、镜头灰尘或果面细小绒毛则更接近椒盐噪声，表现为孤立的极亮或极暗像素。两类噪声的处理策略不同，选错滤波器会直接抹掉细小缺陷。

对高斯噪声，常用高斯滤波或双边滤波。高斯滤波以核内加权平均平滑图像，标准差 σ 越大平滑越强，但边缘也越模糊；双边滤波在空间距离权重之外叠加灰度差权重，能在平滑的同时保留果梗、虫眼等边缘。对椒盐噪声，中值滤波更合适，它取邻域中值，能有效剔除孤立极值点而较少损伤边缘。一个可操作的示例参数是：对 1280×1024 的苹果图像，先做 3×3 中值滤波去除椒盐点，再用 σ=1.0、窗口 5×5 的高斯滤波抑制残余高斯噪声。需要强调的是，这些是示例参数，实际应通过对比实验确定。

判断去噪是否“过头”的直观依据是：缺陷边缘是否仍然锐利、细小斑点是否被抹平。若中值滤波窗口取到 7×7 以上，直径仅几个像素的早期病斑就可能消失，因此窗口大小应与最小可检缺陷尺寸匹配。

二、增强：让缺陷与背景的灰度差拉开

农产品图像常见的问题是整体偏暗、光照不均或反光过强，导致缺陷与正常果皮的灰度差被压缩。增强的常用手段包括直方图均衡化、限制对比度自适应直方图均衡化（CLAHE）以及伽马校正。

全局直方图均衡化会按全图灰度分布重新映射，简单但对局部光照不均无能为力，甚至放大背景噪声。CLAHE 将图像分块后分别均衡，并用 clipLimit 限制对比度拉伸幅度，更适合果面这种光照渐变的场景。示例配置为：分块 8×8、clipLimit=2.0，可在提升暗部细节的同时抑制噪声放大。伽马校正则通过幂函数映射调整整体亮度，γ<1 提亮暗部，γ>1 压暗高光，适合处理逆光或过曝的反光区域。

增强效果的判断不能只看“是否更亮”，而应观察缺陷区域与正常区域的对比度是否提升、背景是否出现伪影。若增强后正常果皮出现明显块状纹理，说明 clipLimit 过大或分块过小。

三、色彩空间转换：把缺陷从颜色相关性中“解耦”出来

RGB 三通道高度相关，且受光照强度影响大，同一缺陷在不同光照下RGB值差异明显。HSV 将色调 H、饱和度 S、明度 V 分离，H 对光照变化相对不敏感，适合按颜色区分青果、熟果与病斑；Lab 则用 L 表示明度、a 和 b 表示色度，其色度分量与设备无关，常用于颜色一致性要求高的分级场景。

以苹果表面早期碰伤为例：在 RGB 中碰伤区域与正常果皮的 R、G、B 差值都很小，阈值分割困难；转换到 Lab 后，碰伤在 a 分量（红绿轴）上往往表现为向绿色方向偏移，a 分量差值被放大，更易分割。类似地，柑橘的青斑在 HSV 的 H 分量上区分度更好。因此色彩空间的选择应依据缺陷的显色机理，而不是固定使用某一种。

四、对比实验：用同一批样本量化“预处理是否有效”

预处理参数不能凭经验拍定，应设计对照实验。建议固定同一批采集图像（例如 60 张包含碰伤、虫眼、正常果的苹果图像），分别经过“不去噪”“中值+高斯”“中值+高斯+CLAHE”等组合，再统一转换到候选色彩空间，用同一套阈值分割或同一轻量分类器评估。评价指标可采用缺陷区域与正常区域的平均灰度差、分割的 IoU，或分类准确率。

一个可参考的示例流程如下（参数为示例值，非实测结果）：

import cv2, numpy as np

img = cv2.imread("apple_001.png")          # BGR
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 1) 去噪：先中值去椒盐，再高斯抑高斯噪声
den = cv2.medianBlur(gray, 3)
den = cv2.GaussianBlur(den, (5, 5), 1.0)

# 2) 增强：CLAHE 提升局部对比度
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
enh = clahe.apply(den)

# 3) 色彩空间：Lab 的 a 分量用于碰伤分割
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
a = lab[:, :, 1]
a_eq = clahe.apply(a)

# 4) 阈值分割并计算缺陷占比（示例阈值）
_, mask = cv2.threshold(a_eq, 128, 255, cv2.THRESH_BINARY_INV)
ratio = np.count_nonzero(mask) / mask.size
print("defect_ratio =", round(ratio, 4))

运行后应重点观察三件事：一是 mask 中缺陷区域是否连续、是否出现大量碎点（碎点多说明噪声未被抑制或阈值过严）；二是同一缺陷在不同预处理组合下的面积是否稳定（波动大说明增强过度）；三是正常果图像是否被误判出大面积缺陷（误检高说明阈值或色彩分量选择不当）。据此在参数网格中择优，而不是追求单一指标最高。

实践建议：去噪窗口与最小可检缺陷尺寸挂钩，增强的 clipLimit 从小值开始逐步加大，色彩空间优先按缺陷显色机理选择，再用对比实验确认。三步的顺序一般为“先去噪、再增强、最后转换色彩空间”，避免在噪声未抑制时增强而放大伪影。

常见误区：把增强当成万能手段，反复叠加均衡化导致正常果皮出现块状伪影；或在 RGB 上直接对 R、G、B 分别阈值，忽略三通道相关性，造成漏检。另一个误区是只凭肉眼观感调参，缺少固定样本集上的量化对比，导致换批次后效果骤降。

把去噪、增强与色彩空间转换串成一条可复现的链路，并用同一批样本量化对比，才能让预处理真正服务于缺陷检测，而不是停留在“看起来更清楚”的层面。后续的缺陷分割与分类模型，其上限在很大程度上由这一步决定。