📚 课程目录第2章图像预处理实战

2. 图像预处理实战

图像预处理，说白了就是给原始图像“洗个澡”。

在工业现场，相机拍回来的图很少是完美的。光照不均、传感器噪声、工件抖动，这些问题不处理，后面的检测算法根本跑不动。我刚开始做视觉项目时，就吃过这个亏——算法在实验室跑得好好的，上了产线全崩。后来才发现，是预处理没做扎实。

核心观点：预处理不是可选项，是必选项。它直接决定了后续检测的稳定性和精度。

2.1 图像滤波：去噪是第一步

滤波的目的很简单：保留有用信息，干掉噪声。工业场景中常见的噪声有高斯噪声（传感器热噪声）和椒盐噪声（电磁干扰）。

2.1.1 高斯滤波

高斯滤波用加权平均的方式平滑图像。离中心越近的像素权重越大，符合自然分布。它对付高斯噪声效果很好。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('defect_sample.jpg', cv2.IMREAD_GRAYSCALE)

# 高斯滤波，核大小5x5，sigma=1.5
gaussian_blur = cv2.GaussianBlur(img, (5, 5), 1.5)

cv2.imshow('Gaussian Blur', gaussian_blur)
cv2.waitKey(0)

我的经验：核大小选奇数，3、5、7常用。sigma值一般设1.0~2.0。太大图像会糊，太小去噪不干净。我在检测手机屏幕划痕时，sigma设1.2效果最好。

2.1.2 中值滤波

中值滤波用邻域像素的中位数代替中心像素。它对椒盐噪声有奇效，而且能保留边缘细节。

# 中值滤波，核大小5
median_blur = cv2.medianBlur(img, 5)

cv2.imshow('Median Blur', median_blur)
cv2.waitKey(0)

注意：中值滤波的核大小也是奇数。核越大，去噪越强，但图像细节损失也越大。我曾经在检测PCB焊点时，核设到7，结果把微小裂纹也给滤掉了，漏检率飙升。后来改回3，问题解决。

2.1.3 双边滤波

双边滤波是“保边去噪”的利器。它同时考虑空间距离和像素值差异，边缘处权重降低，所以边缘能保留下来。

# 双边滤波，d=9，sigmaColor=75，sigmaSpace=75
bilateral_blur = cv2.bilateralFilter(img, 9, 75, 75)

cv2.imshow('Bilateral Filter', bilateral_blur)
cv2.waitKey(0)

适用场景：需要保留边缘的缺陷检测，比如划痕、裂纹、毛刺。双边滤波计算量大，实时性要求高的产线慎用。

2.2 图像增强：让缺陷“现形”

增强的目的，是把人眼或算法难以分辨的特征凸显出来。说白了，就是让该亮的地方更亮，该暗的地方更暗。

2.2.1 直方图均衡化

直方图均衡化把图像的灰度分布拉伸到整个范围。对比度低的图像，处理后细节会清晰很多。

# 全局直方图均衡化
equalized = cv2.equalizeHist(img)

cv2.imshow('Equalized', equalized)
cv2.waitKey(0)

避坑指南：全局均衡化有时会过度增强噪声。我建议用CLAHE（自适应直方图均衡化），它分块处理，效果更自然。

# CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(img)

cv2.imshow('CLAHE', clahe_img)
cv2.waitKey(0)

2.2.2 伽马校正

伽马校正通过非线性变换调整图像亮度。gamma值小于1，暗部变亮；大于1，亮部变暗。

# 伽马校正，gamma=0.5
gamma = 0.5
gamma_corrected = np.power(img / 255.0, gamma) * 255.0
gamma_corrected = gamma_corrected.astype(np.uint8)

cv2.imshow('Gamma Corrected', gamma_corrected)
cv2.waitKey(0)

实战经验：检测金属表面反光缺陷时，我常用gamma=0.6~0.8压低高光，让划痕更明显。检测暗色塑料件时，gamma=1.2~1.5提亮暗部。

2.3 图像几何变换：对齐与校正

产线上工件位置不可能完全一致。几何变换的作用，就是把图像统一到标准位置，方便后续处理。

2.3.1 仿射变换

仿射变换保持直线和平行关系。平移、旋转、缩放、剪切都属于仿射变换。它需要3个对应点来计算变换矩阵。

# 仿射变换：旋转+平移
rows, cols = img.shape
M = cv2.getRotationMatrix2D((cols/2, rows/2), 45, 1.0)  # 旋转45度
affine_img = cv2.warpAffine(img, M, (cols, rows))

cv2.imshow('Affine Transform', affine_img)
cv2.waitKey(0)

我的习惯：做仿射变换前，先用模板匹配或特征点定位找到工件的基准点。这样变换后的图像才能和模板对齐。

2.3.2 透视变换

透视变换可以改变视角，把倾斜的物体“拉正”。它需要4个对应点，变换后直线仍然是直线，但平行关系不一定保持。

# 透视变换：矫正倾斜的工件
pts1 = np.float32([[50,50],[200,50],[50,200],[200,200]])
pts2 = np.float32([[0,0],[300,0],[0,300],[300,300]])
M = cv2.getPerspectiveTransform(pts1, pts2)
perspective_img = cv2.warpPerspective(img, M, (300, 300))

cv2.imshow('Perspective Transform', perspective_img)
cv2.waitKey(0)

注意：透视变换计算量大，实时性要求高的场景要优化。我曾在一条每小时检测6000个零件的产线上，把透视变换换成仿射变换，速度提升了30%，精度没降。

2.4 本章知识体系

下面这张图总结了本章的核心内容，方便你快速回顾。

2.5 三种滤波对比

滤波类型	适用噪声	边缘保留	计算速度	典型场景
高斯滤波	高斯噪声	一般	快	传感器热噪声、光照均匀场景
中值滤波	椒盐噪声	好	中等	电磁干扰、焊点检测
双边滤波	高斯噪声	优秀	慢	划痕、裂纹、毛刺检测

总结：预处理没有银弹。不同场景要选不同方法。我的建议是——先试中值滤波，速度快、效果好。如果边缘保留不够，再换双边滤波。高斯滤波适合噪声均匀的场景。

嗯，这一章的内容就到这里。预处理是视觉检测的基石，花时间把它调好，后面的工作会轻松很多。