3. 图像采集与预处理

图像采集，是整个视觉检测流程的起点。说白了，你算法再牛，如果源头数据就出了问题，后面全是白搭。我见过太多项目，花了大把时间调模型，最后发现是相机没配好，或者图像格式搞错了。

这一节，我们就来聊聊从相机SDK调用到图像预处理的完整链路。嗯，都是实战中绕不开的硬骨头。

3.1 相机SDK调用：与硬件对话的第一步

工业相机不像手机摄像头，插上就能用。你得通过厂商提供的SDK（软件开发工具包）来跟它通信。国内用得最多的就是海康威视和大华的相机。

我个人习惯，先把SDK的初始化流程理清楚。不管哪家，核心步骤都差不多：

  1. 枚举设备：找到所有连接的相机。
  2. 创建句柄：建立与相机的连接通道。
  3. 打开设备：激活相机。
  4. 设置参数：曝光、增益、帧率等。
  5. 开始采集：启动图像流。
  6. 获取图像：从缓冲区取一帧数据。
  7. 停止采集 & 关闭设备：释放资源。

下面是一个海康SDK调用的简化示例，我把它封装成了一个类，方便复用：

#include "MvCameraControl.h"

class HikCamera {
public:
    bool Init() {
        // 枚举设备
        MV_CC_DEVICE_INFO_LIST stDeviceList;
        MV_CC_EnumDevices(MV_GIGE_DEVICE | MV_USB_DEVICE, &stDeviceList);
        if (stDeviceList.nDeviceNum == 0) {
            printf("没有找到相机！\n");
            return false;
        }
        // 创建句柄并打开设备
        MV_CC_CreateHandle(&handle_, stDeviceList.pDeviceInfo[0]);
        MV_CC_OpenDevice(handle_);
        return true;
    }

    bool GrabImage(cv::Mat &img) {
        unsigned char *pData = nullptr;
        MV_FRAME_OUT_INFO_EX stInfo;
        // 获取一帧图像数据
        MV_CC_GetOneFrameTimeout(handle_, pData, &stInfo, 1000);
        // 转换为OpenCV Mat格式
        img = cv::Mat(stInfo.nHeight, stInfo.nWidth, CV_8UC3, pData).clone();
        return true;
    }

    void Close() {
        MV_CC_StopGrabbing(handle_);
        MV_CC_CloseDevice(handle_);
        MV_CC_DestroyHandle(handle_);
    }

private:
    void *handle_ = nullptr;
};
避坑指南： 我曾经在一个项目中，因为忘记调用 MV_CC_StartGrabbing()，结果一直拿不到图像，排查了半天。另外，记得在程序退出前释放所有资源，否则下次可能无法打开相机。

3.2 图像格式转换：BGR、RGB与Gray

相机采集到的原始数据，通常是Bayer格式（拜耳阵列），需要经过ISP（图像信号处理）转换成我们熟悉的RGB或BGR。而OpenCV默认使用BGR顺序，这一点跟很多其他库（比如PIL、matplotlib）不一样。

为什么会这样？ 历史原因。早期Windows的BMP格式就是BGR，OpenCV沿用了这个习惯。所以你在用OpenCV显示图像时，如果发现颜色不对，十有八九是通道顺序搞反了。

转换其实很简单，用OpenCV的 cvtColor 函数就行：

cv::Mat bgr_img, rgb_img, gray_img;

// BGR 转 RGB
cv::cvtColor(bgr_img, rgb_img, cv::COLOR_BGR2RGB);

// BGR 转 灰度图
cv::cvtColor(bgr_img, gray_img, cv::COLOR_BGR2GRAY);

// RGB 转 BGR
cv::cvtColor(rgb_img, bgr_img, cv::COLOR_RGB2BGR);

你想想看，如果模型训练时用的是RGB数据，而你推理时喂进去的是BGR，那结果肯定一塌糊涂。所以，务必确认你的数据流中通道顺序的一致性。

我的建议： 在项目初期，就统一约定好使用BGR顺序。因为OpenCV的很多函数（如imread、imshow）都默认BGR，这样可以减少不必要的转换。

3.3 图像滤波：去噪与保边

工业现场环境复杂，图像难免会有噪声。滤波的目的就是去除这些噪声，同时尽量保留图像的边缘和细节。常用的有三种：高斯滤波、中值滤波和双边滤波。

滤波类型 原理 适用场景 优点 缺点
高斯滤波 用高斯核的加权平均 高斯噪声（传感器热噪声） 平滑效果好，速度快 会模糊边缘
中值滤波 用邻域像素的中值代替 椒盐噪声（脉冲噪声） 保边效果好，对椒盐噪声极佳 对高斯噪声效果一般
双边滤波 同时考虑空间距离和像素值差异 需要保边去噪的场景 保边效果最好 计算量大，速度慢

代码实现也很直接：

cv::Mat src, dst;

// 高斯滤波，核大小5x5，sigma=1.5
cv::GaussianBlur(src, dst, cv::Size(5, 5), 1.5);

// 中值滤波，核大小5x5
cv::medianBlur(src, dst, 5);

// 双边滤波，d=9，sigmaColor=75，sigmaSpace=75
cv::bilateralFilter(src, dst, 9, 75, 75);
实战经验： 在检测小尺寸缺陷（如划痕、脏污）时，慎用高斯滤波。它会把微弱的缺陷信号也平滑掉。我一般先用中值滤波去除椒盐噪声，再用双边滤波做轻度平滑，效果往往更好。

3.4 知识体系总览

下面这张图，把图像采集与预处理的核心流程串起来了。你可以把它当作一个检查清单，每次搭建视觉系统时，对照着走一遍。

图像采集与预处理流程 相机SDK调用 图像格式转换 图像滤波 高斯滤波 中值滤波 双边滤波 可用图像 注意：滤波选择需根据 实际噪声类型和检测目标

嗯，到这里，图像采集与预处理的核心内容就讲完了。从相机SDK的调用，到格式转换，再到滤波去噪，每一步都有坑，但也都有对应的解法。记住，好的开始是成功的一半，把源头数据处理好，后面的算法工作会轻松很多。

← 上一章 📖 返回目录 下一章 →