4. 图像预处理工具
在 VisionPro 的缺陷检测项目里，相机采到的原始图像很少能直接送进检测工具。缺陷往往表现为几个灰度级的微弱差异，而噪声、光照不均、背景纹理却比缺陷本身更“显眼”。预处理的目的不是把图像变漂亮，而是改变缺陷与背景之间的可分离度——让后续的 Blob、CogCNLSearch、CogPatInspect 或 CogOCRMax 等工具能稳定地“看见”缺陷。本节围绕四类最常用的预处理工具，讲清它们各自改变的是什么、参数怎么定、结果怎么判断。
一、滤波：先决定要保留什么，再决定滤掉什么
VisionPro 的滤波工具集中在 CogIPOneImageTool 中，常用算子包括高斯滤波、中值滤波、均值滤波和 Sobel 边缘增强。选择依据不是“哪个效果好”，而是缺陷的尺度与噪声的尺度谁更小。
假设检测对象是金属表面的划痕，划痕宽度约 3～5 像素，而图像噪声是 1～2 像素的椒盐点。此时中值滤波（Median，核尺寸 3×3）能在几乎不削弱划痕的前提下压掉孤立噪点；若改用 5×5 高斯，划痕边缘会被明显模糊，后续阈值分割时缺陷面积会缩小 20%～30%，导致漏检。反之，如果缺陷是面积较大的凹坑（20 像素以上），而噪声是高频纹理，则高斯滤波（Sigma 取 1.0～1.5）更合适，因为它对整片区域的平滑更均匀。
实操中建议先用 CogIPOneImageTool 的交互界面切换算子，观察同一 ROI 内缺陷与背景的灰度直方图是否出现双峰。若双峰分离度提升，说明滤波方向正确；若直方图整体收窄但双峰仍重叠，说明滤波没有解决对比度问题，应转向背景校正或图像算术。
二、形态学：用结构元“塑形”缺陷
形态学在 VisionPro 中通过 CogMorphologyTool 实现，核心是腐蚀、膨胀、开运算、闭运算四种基本操作，配合矩形、圆形、十字等结构元。它的价值在于按几何形状筛选目标，而不是按灰度。
典型场景：PCB 焊盘上有多余锡珠，锡珠是亮的小圆点，但焊盘边缘也有亮反光。若直接阈值分割，两者都会被选中。此时可先做一次开运算（先腐蚀后膨胀，结构元用 3×3 圆形），小于结构元的亮斑被消除，焊盘边缘的连续亮带因尺寸大于结构元而保留。再对结果做一次闭运算填补锡珠内部的暗孔，最终 Blob 工具统计到的连通域数量就是真实锡珠数。
参数上，结构元尺寸应略大于噪声颗粒、略小于缺陷本身。例如锡珠直径约 6 像素，噪声约 2 像素，则结构元取 3×3 或 5×5 圆形较合适。若结构元取到 7×7，锡珠会被一并腐蚀掉，造成漏检。判断依据是：处理后的二值图中，缺陷区域的面积变化应小于 15%，而噪声区域应基本消失。
三、图像算术：用参考图做“减法”
图像算术工具（CogImageArithmeticTool）支持两幅图像之间的加、减、乘、除及绝对值差。在缺陷增强中最常用的是绝对差：用一张“标准良品图”减去当前待检图，差异区域即为疑似缺陷。
例如检测液晶屏的 Mura 缺陷，先采集一张均匀灰阶的标准图作为参考，再对每片产品图执行 AbsDiff。若某区域差值超过设定阈值（如 12 个灰度级），则标记为候选缺陷。这里的关键是参考图必须与当前图在同一曝光、同一增益、同一位置下采集，否则整体亮度漂移会被误判为缺陷。VisionPro 中可通过 CogFixtureTool 先做定位对齐，再送入算术工具，把平移和旋转误差压到 1 像素以内。
另一个常用组合是“原图 + 反相图”做平均，用于抑制随机噪声；或“原图 × 常数”做对比度拉伸。算术运算的输入输出都是 8 位或 16 位图像，注意溢出截断：加法超过 255 会饱和为 255，减法低于 0 会截断为 0，必要时先转 16 位再运算。
四、背景校正：把光照不均“摊平”
背景校正（CogIPOneImageTool 中的 Background Correction 或 Shading Correction）解决的是低频光照梯度问题。当光源从一侧打光时，图像一侧亮、一侧暗，同一缺陷在亮区和暗区的灰度差可能相差 30 个灰度级以上，固定阈值必然失效。
做法是：先对图像做大核均值滤波（核尺寸远大于缺陷，如 51×51），得到一张只保留光照趋势的背景图；再用原图减去背景图，得到光照均匀的校正图。VisionPro 中也可用 CogImageAverageTool 对多张良品图求平均生成背景模板，然后逐像素相减。校正后，原本在暗区被淹没的缺陷会显现出来，此时再用固定阈值或自适应阈值分割，稳定性显著提升。
判断校正是否到位，可看校正后图像的背景灰度标准差：若从原来的 18 降到 5 以内，说明光照梯度已被有效抑制；若仍大于 10，需检查背景核尺寸是否过小，或光源本身是否存在高频闪烁。
五、组合使用的顺序与判断
四类工具很少单独使用。一个稳定的缺陷增强链通常是：背景校正 → 滤波 → 图像算术 → 形态学。先摊平光照，再压噪声，然后用参考图突出差异，最后用形态学清理残留噪点并规整缺陷形状。顺序颠倒会带来问题：若先做形态学再滤波，形态学可能把噪声也“塑形”成小目标，滤波反而难以区分。
每一步之后都应回到直方图或二值图观察：缺陷区域是否仍然完整、背景是否足够干净、阈值是否容易确定。如果某一步让缺陷面积缩小超过 20%，或让背景出现新的伪目标，就应回退该步并调整参数。VisionPro 的 CogToolBlock 支持把预处理链封装成可复用的工具组，配合 CogDisplay 的 ROI 和直方图实时查看，能显著缩短调参周期。