3. 图像采集与预处理

好，咱们正式开始第三章。前面两章我们把视觉定位的总体架构和坐标系捋了一遍，现在该碰真东西了——图像数据是怎么来的，又该怎么把它“收拾”成算法能用的样子。

图像采集与预处理，说白了就是视觉系统的“前端”。这一步做不好，后面再牛的算法也白搭。我在产线上见过太多案例，折腾半天定位不准，最后发现是图像噪声没滤干净。嗯，咱们一步步来。

3.1 相机SDK调用——别小看这一步

很多人觉得SDK调用就是装个驱动、调个API，没什么技术含量。我一开始也这么想，直到有一次在产线上被坑惨了。

那次用的是某品牌工业相机，SDK文档写得稀里糊涂。我按示例代码初始化，结果相机死活连不上。折腾了两小时，最后发现是相机IP和主机不在同一网段。你说冤不冤？

所以，调用SDK时我建议你重点关注这几个点：

• 初始化流程：枚举设备 → 选择设备 → 打开设备 → 开始采集。顺序别搞反。
• 参数设置：曝光时间、增益、帧率、触发模式。这些参数直接影响图像质量。
• 回调机制：用回调函数接收图像帧，别在主循环里轮询，效率差太多。
• 资源释放：采集完一定要关闭设备、释放内存。我见过有人忘了这步，内存泄漏到系统崩溃。

3.2 图像格式转换——BGR/RGB/灰度

相机采集到的原始数据，通常是BGR格式（OpenCV默认）。但很多算法库用的是RGB，比如深度学习框架。你想想看，如果不做转换，颜色通道对不上，结果能对吗？

格式转换其实就几行代码，但有个细节要注意——数据类型。相机输出一般是uint8（0-255），但有些算法需要float（0.0-1.0）。转换时别忘了归一化。

// C++示例：BGR转灰度 + 数据类型转换
cv::Mat frame_bgr;  // 原始BGR图像，uint8
cv::Mat frame_gray; // 灰度图

// BGR转灰度
cv::cvtColor(frame_bgr, frame_gray, cv::COLOR_BGR2GRAY);

// 如果需要float类型，做归一化
cv::Mat frame_float;
frame_gray.convertTo(frame_float, CV_32F, 1.0/255.0);
// 现在frame_float的范围是0.0-1.0

我曾经在一个项目中，直接用uint8数据喂给深度学习模型，结果模型输出全是NaN。查了半天才发现是数据类型不匹配。嗯，这种坑踩过一次就记住了。

3.3 滤波去噪——高斯 vs 中值

图像噪声是视觉系统的天敌。产线上常见的噪声有两种：高斯噪声（传感器热噪声、光照波动）和椒盐噪声（传输干扰、像素坏点）。对付它们，得用不同的滤波器。

高斯滤波

高斯滤波用高斯核做卷积，对高斯噪声效果很好。核心参数是核大小和标准差σ。核越大，图像越模糊，但去噪也越彻底。我一般从5×5开始试，效果不够就加大。

// 高斯滤波
cv::Mat denoised_gaussian;
cv::GaussianBlur(frame_gray, denoised_gaussian, cv::Size(5, 5), 1.0);
// 核大小5×5，标准差1.0

中值滤波

中值滤波用邻域像素的中值代替中心像素，对椒盐噪声有奇效。你想想看，一个孤立的噪点，在中值计算时会被周围正常像素“淹没”。

// 中值滤波
cv::Mat denoised_median;
cv::medianBlur(frame_gray, denoised_median, 5);
// 核大小5×5（注意：中值滤波核必须是奇数）

那什么时候用高斯，什么时候用中值？我个人的经验是：

• 产线光照稳定、传感器质量好 → 高斯滤波就够了，速度快。
• 环境有电磁干扰、或者相机有坏点 → 中值滤波更靠谱。
• 实在拿不准 → 两个都试一下，看效果选。

3.4 直方图均衡化——让图像“显形”

有时候图像整体偏暗或偏亮，细节都藏在阴影里。这时候直方图均衡化就派上用场了。它通过拉伸像素值的分布，让图像对比度更高、细节更清晰。

OpenCV提供了两种方式：

• 全局直方图均衡化（equalizeHist）：简单粗暴，但容易放大噪声。
• CLAHE（自适应直方图均衡化）：分块处理，效果更自然，噪声控制更好。

// 全局直方图均衡化
cv::Mat equalized_global;
cv::equalizeHist(frame_gray, equalized_global);

// CLAHE（自适应）
cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.0, cv::Size(8, 8));
cv::Mat equalized_clahe;
clahe->apply(frame_gray, equalized_clahe);
// 参数：clipLimit=2.0（对比度限制），tileGridSize=8×8（分块大小）

3.5 完整预处理流水线

好了，把上面这些串起来，就是一个完整的预处理流程。我一般这样写：

// 完整预处理流水线
cv::Mat preprocessImage(const cv::Mat& src) {
    cv::Mat dst;
    
    // 1. 格式转换：BGR → 灰度
    cv::cvtColor(src, dst, cv::COLOR_BGR2GRAY);
    
    // 2. 滤波去噪：先用中值去椒盐噪声，再用高斯平滑
    cv::medianBlur(dst, dst, 5);
    cv::GaussianBlur(dst, dst, cv::Size(3, 3), 0.8);
    
    // 3. 直方图均衡化：CLAHE
    cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.5, cv::Size(8, 8));
    clahe->apply(dst, dst);
    
    return dst;
}

这个流水线我用了好几年，在多个产线项目上验证过。当然，具体参数要根据你的相机和场景微调。比如光照特别差的场景，我会把CLAHE的clipLimit调到3.5；如果图像本身很干净，中值滤波那步可以省掉，省点时间。