4. 图像预处理工具详解

在 VisionPro 的缺陷检测流程中，相机采集到的原始图像几乎不可能直接送入缺陷判定工具。光照不均、传感器噪声、背景纹理、对比度不足、通道格式不匹配等问题，都会让 Blob、CogPMAlign、CogPatInspect、CogSurfaceFlaw 等工具的稳定性大幅下降。图像预处理的核心任务，就是在不破坏缺陷特征的前提下，把原始图像“整理”成后续工具容易处理的形式。本节围绕 CogImageConvert、CogIPOneImageTool 以及滤波、形态学、增强与去噪这几类操作，说明它们各自解决什么问题、参数如何影响结果、以及如何组合成一条可复现的预处理链。

一、CogImageConvert：先解决“格式与通道”问题

CogImageConvert 是预处理链的入口工具，它处理的是图像的数据类型与通道结构，而不是像素内容的增强。VisionPro 中常见的图像类型包括 8 位灰度（CogImage8Grey）、8 位彩色（CogImage8PixelMemory 对应的彩色图）、16 位灰度（CogImage16Grey）以及 24 位 RGB 彩色图。很多缺陷工具只接受 8 位灰度输入，因此彩色图必须先转换。

转换时有两个关键选择：一是目标类型，二是彩色转灰度的权重。VisionPro 默认使用类似亮度感知的加权（约 R:0.299、G:0.587、B:0.114），但缺陷检测中更常用的是“最大化缺陷与背景差异”的通道。例如检测红色油墨缺失时，直接取 R 通道往往比转灰度更敏感。实操中可先用 CogImageConvert 分别输出 R、G、B 三通道，再用 CogIPOneImageTool 的统计功能比较各通道的均值与标准差，选择缺陷对比度最高的通道作为后续输入。

另一个易被忽略的点是位深。16 位图像动态范围大，直接转 8 位会丢失暗部细节。正确做法是先做线性拉伸或 Gamma 校正，再转 8 位，而不是直接截断。CogImageConvert 本身不做拉伸，因此它通常与后面的增强工具配合使用。

二、CogIPOneImageTool：单图操作的“工具箱”

CogIPOneImageTool 是 VisionPro 中最常用的单图预处理工具，它把多种像素级操作封装在一个工具里，通过 Operator 属性切换。常用操作包括：

• Threshold / ThresholdRelative：按固定或相对阈值二值化，用于把缺陷从背景中分离。
• Dilate / Erode：形态学膨胀与腐蚀，用于连接断裂缺陷或去除小噪点。
• Open / Close：先腐蚀后膨胀（开运算）去小亮点，先膨胀后腐蚀（闭运算）填小暗孔。
• Convolve：自定义卷积核，实现均值、高斯、锐化等滤波。
• Add / Subtract / Multiply：图像与常数或图像与图像的算术运算，用于背景校正。
• Normalize / Equalize：对比度归一化与直方图均衡。

这些操作可以串联成一条链：例如“背景校正 → 高斯滤波 → 阈值 → 开运算 → 闭运算”。在 VisionPro 中，既可以把多个 CogIPOneImageTool 依次连接，也可以在一个工具内通过多次调用实现。建议每个操作单独一个工具，便于在 Job 中查看中间结果、定位是哪一步引入了问题。

三、滤波：去噪与保边的权衡

滤波的本质是用邻域像素重新计算中心像素。缺陷检测中最常用三类：

均值滤波：3×3 或 5×5 核内取平均，去随机噪声快，但会模糊边缘，适合缺陷尺寸远大于噪声颗粒的场景。高斯滤波：按距离加权，中心权重高，边缘保留比均值好，是默认首选，常用 σ=1.0～1.5、核 5×5。中值滤波：取邻域中值，对椒盐噪声几乎“秒杀”，且不模糊阶跃边缘，适合金属表面亮点噪声、划痕检测前的去噪。

选择依据可以简化为：噪声是“孤立点”用中值，是“连续颗粒”用高斯，是“均匀细噪”用均值。滤波核越大，去噪越强，但缺陷边缘也越容易被吃掉。实操中建议先用 3×3，若噪声仍明显再升到 5×5，并同步观察缺陷区域的灰度差是否仍大于阈值。

四、形态学操作：按几何形状“修”缺陷

形态学操作针对的是二值图或灰度图的几何结构。膨胀让亮区域变大，腐蚀让亮区域变小。开运算（先腐蚀后膨胀）能去掉比结构元小的亮噪点，闭运算（先膨胀后腐蚀）能填补比结构元小的暗孔。结构元（Structuring Element）的形状和尺寸决定“多小算小”：检测 0.2 mm 的针孔，结构元应略大于针孔在图像中的像素直径，否则会被误填。

在缺陷检测中，形态学常用于三处：一是阈值后去除孤立噪点（开运算）；二是把断裂的划痕连成一条（闭运算或膨胀）；三是把缺陷区域“整形”成便于 Blob 统计的连通域。注意形态学会改变缺陷面积，若后续要测真实尺寸，应在形态学前用原始二值图测量，形态学图只用于定位与计数。

五、增强与去噪：让缺陷“跳出来”

图像增强的目标是拉大缺陷与背景的灰度差。常用手段有线性拉伸、Gamma 校正、直方图均衡和背景相减。线性拉伸把原灰度范围映射到 0～255，适合整体偏暗或偏亮的图；Gamma 校正通过幂函数调整中间调，γ<1 提亮暗部，γ>1 压暗亮部；直方图均衡自动重分布灰度，适合背景纹理复杂但缺陷对比度低的场景。

背景相减是表面缺陷检测的“杀手锏”：先用大核高斯或均值滤波得到背景估计图，再用原图减去背景图，剩下的就是局部异常。VisionPro 中可用 CogIPOneImageTool 的 Subtract 实现，也可用 CogImageConvert 配合算术工具。相减后常出现负值，需做绝对值或加偏置再归一化。

六、组合策略与实操示例

把上述工具串成一条链时，顺序很重要。推荐顺序是：格式转换 → 背景校正/增强 → 滤波去噪 → 阈值 → 形态学 → 输出。原因在于：先转换保证数据类型正确；先增强再滤波，避免滤波把弱缺陷一起抹掉；先阈值再形态学，形态学只作用于二值图，计算量小且目标明确。

以一个金属表面划痕检测为例（以下参数为教学示例，需按实际图像调整）：相机输出 2448×2048 彩色图，划痕宽约 3 像素、对比度低，背景有轻微反光和椒盐噪声。处理链可设为：CogImageConvert 取 G 通道转 8 位灰度；CogIPOneImageTool 做 5×5 高斯滤波（σ=1.2）去颗粒噪声；再做背景相减（背景用 31×31 均值滤波估计），得到局部异常图；线性拉伸到 0～255；固定阈值 45 二值化；开运算结构元 3×3 去孤立点；闭运算结构元 5×1 横向连接划痕断点。最终输出图送入 CogBlobTool，按面积和长宽比筛选划痕。

验证是否达标，可观察三个指标：一是缺陷区域与背景的灰度差是否大于阈值；二是二值图中噪声连通域数量是否从数百降到个位数；三是缺陷的连通域面积是否稳定（连续 10 帧波动小于 15%）。若噪声仍多，优先加大滤波核或提高阈值；若缺陷断裂，优先调整闭运算结构元方向与尺寸；若缺陷被吃掉，说明滤波或形态学过强，应回退一步。

掌握这些工具的关键，不在于记住每个参数，而在于建立“问题—工具—参数—验证”的对应关系：噪声多就滤波，对比度低就增强，缺陷断裂就闭运算，噪点孤立就开运算，格式不对就转换。把这条链固化到 Job 中，并用中间结果显示和连续帧稳定性来验证，才能让后续缺陷判定工具真正可靠。