3. 图像预处理与增强

在工业视觉项目中，相机采集到的原始图像往往并不适合直接送入定位、测量或检测工具。光照不均、对比度不足、噪声干扰、边缘模糊、背景纹理杂乱，都会让后续算法的稳定性大打折扣。图像预处理与增强的任务，就是在正式分析之前，把图像“整理”成更利于算法判断的形态。VisionPro 提供了从灰度变换、空间滤波到形态学处理的一整套工具，它们既可以作为独立工具在 Job 中调用，也可以组合成预处理链，为 CogFindLine、CogBlob、CogPMAlign 等工具提供更干净的输入。

一、灰度变换：先解决“看得清”的问题

灰度变换是最基础的一类增强手段，它逐像素地改变灰度值，不改变像素的空间位置。VisionPro 中常用的工具包括 CogIPOneImageTool 与 CogImageConvertTool，前者支持线性拉伸、阈值化、反相、伽马校正等操作，后者用于彩色到灰度的转换以及位深调整。

线性灰度拉伸是最常用的手段。假设当前图像灰度集中在 60～150 之间，而目标与背景的差异只有 20 个灰度级，此时可以设置输入区间 [60, 150]、输出区间 [0, 255]，把有效灰度拉开到整个动态范围。VisionPro 的 CogIPOneImageTool 中对应参数为 MapMode = Linear，配合 InputLow/InputHigh 与 OutputLow/OutputHigh。如果图像整体偏暗但高光部分已经饱和，则更适合用伽马校正，例如 Gamma = 0.7 可以提亮中间调，同时避免高光溢出。

需要特别注意的是，灰度变换是全局操作。当图像存在明显的光照梯度时，全局拉伸会把亮区推爆、暗区仍然压死。这时应改用局部自适应方法，例如 VisionPro 的 CogIPOneImageTool 中的 LocalThreshold 或结合 CogHistogramTool 先统计灰度分布，再决定拉伸区间。一个实用的判断依据是：如果直方图呈单峰且集中在窄区间，线性拉伸有效；如果直方图呈双峰但两峰高度差异极大，说明背景占比过高，可能需要先做掩膜或 ROI 限制。

二、滤波：在“去噪”与“保边”之间取舍

滤波处理的是像素邻域关系，核心矛盾是噪声抑制与边缘保留。VisionPro 中常用的滤波工具是 CogIPOneImageTool 的卷积模式以及 CogMedianImageTool、CogGaussianFilterTool。

均值滤波实现简单，对高斯噪声有一定抑制，但会模糊边缘。VisionPro 中可通过 CogIPOneImageTool 设置 KernelSize = 3×3 或 5×5 的均值核。中值滤波对椒盐噪声效果显著，且比均值滤波更能保留边缘，典型参数为 KernelSize = 3 或 5，适合处理表面划痕、脏点等孤立异常像素。高斯滤波则用于平滑过渡，Sigma 控制平滑程度，Sigma 越大越平滑，但边缘定位精度下降。

实际调参时，建议先用 CogHistogramTool 观察噪声幅度，再决定核大小。一个经验规则是：核大小不应超过目标特征宽度的 1/3。例如检测宽度约 6 像素的细线，3×3 核尚可，5×5 核就可能把线“吃掉”。如果滤波后边缘仍不清晰，不要继续加大核，而应转向锐化或形态学方法。

三、形态学操作：改变目标的“形状”

形态学操作基于结构元对图像进行集合运算，最常用的是腐蚀、膨胀、开运算和闭运算。VisionPro 中对应工具为 CogMorphologyTool，核心参数包括 Operation（Erode/Dilate/Open/Close）、StructureShape（矩形/圆形/十字）和 KernelSize。

腐蚀会缩小亮区域，适合去除细小的毛刺和孤立亮点；膨胀会扩大亮区域，适合填补小孔洞和连接断裂。开运算是先腐蚀后膨胀，用于去除小物体而保持大物体尺寸基本不变；闭运算是先膨胀后腐蚀，用于填补目标内部的小孔和缝隙。结构元的选择同样关键：矩形结构元对水平和垂直边缘更敏感，圆形结构元对方向不敏感，适合处理圆形目标。

一个典型的应用场景是：金属表面检测中，目标区域存在大量细小反光点，先用 3×3 矩形结构元做开运算，可以去掉这些孤立亮点，同时保留目标主体的轮廓。如果目标内部有细小孔洞需要填补，则改用闭运算。需要注意的是，形态学操作会改变目标的实际尺寸，因此如果后续要做亚像素级测量，应谨慎使用，或在使用后重新标定。

四、组合使用与参数调优建议

实际项目中，预处理往往不是单一操作，而是按“灰度变换 → 滤波 → 形态学”的顺序组合。VisionPro 中可以通过 Job 将多个工具串联，前一个工具的输出图像作为后一个工具的输入。调参时建议遵循以下原则：

• 先看直方图，再决定灰度变换方式，避免盲目拉伸。
• 滤波核大小不超过目标特征宽度的 1/3，优先选中值滤波保边。
• 形态学结构元从 3×3 开始尝试，逐步增大，观察目标尺寸变化。
• 每一步处理后都用 CogHistogramTool 或 CogBlobTool 验证效果，不要一次性堆叠过多操作。

总结来说，灰度变换解决“对比度”问题，滤波解决“噪声与边缘”问题，形态学解决“目标形状”问题。三者不是孤立的，而是根据图像质量与检测目标的特点，有选择地组合使用。掌握每一步的参数含义与调优边界，才能让 VisionPro 的后续工具在稳定、干净的图像上发挥出应有的精度与鲁棒性。