4. 图像质量与预处理实战

在精密测量中，相机输出的原始图像并不是“所见即所得”的测量基准。镜头渐晕、传感器像素响应不一致、暗电流、坏点、随机噪声以及照明不均，都会让同一物理量在不同像素位置得到不同灰度，从而直接污染边缘定位、亚像素拟合和尺寸计算。预处理的目标不是把图像“修得好看”，而是把图像变成灰度与物理量之间关系稳定、可复现、可标定的测量输入。本节按“先定标、再修复、后增强、最后标准化”的顺序展开，并给出可直接落地的参数与判断依据。

一、平场校正与暗场校正：先建立灰度线性模型

相机响应可近似为线性模型：I_raw = G · (R · L + D) + N。其中 L 是入射光强，R 是像素响应率（含镜头渐晕），D 是暗电流偏置，G 是增益，N 是噪声。平场校正（Flat Field Correction, FFC）与暗场校正（Dark Field Correction, DFC）就是分别估计 R 与 D，再反解出与位置无关的 L。

暗场校正：盖住镜头或关闭光源，在与测量相同的曝光、增益、温度下采集 16～32 帧，逐像素取中位数得到暗场图 D(x,y)。用中位数而非均值，可抑制热像素对暗场的污染。校正时执行 I1 = I_raw − D，并做下限截断避免负值。

平场校正：使用均匀漫射面（积分球、均匀背光板或白纸+匀光）在相同光学条件下采集亮场，先做暗场扣除得到 F = I_flat − D，再对 F 做低通或中值滤波去除灰尘与坏点，最后归一化：K(x,y) = mean(F) / F(x,y)。校正公式为 I_corr = (I_raw − D) · K。若相机支持硬件平场，优先在相机内完成，可避免 8 bit 量化损失；若在软件端做，建议使用 12/16 bit 原始数据。

二、坏点修复：区分热像素、死像素与簇状缺陷

坏点分三类：死像素（恒为低值）、热像素（恒为高值）、簇状缺陷（相邻多个异常像素）。检测方法：在暗场图中，若某像素与邻域中位数偏差超过 k·σ（k 取 5～8），标记为候选坏点；再在亮场图中复核，避免把真实暗纹理误判为坏点。修复优先用邻域中值或方向性插值，而不是简单均值，以免模糊边缘。

对测量任务，坏点表应固化为标定文件，随相机序列号保存。若坏点落在被测边缘附近，仅靠插值可能引入 0.1～0.3 像素偏差，此时应调整视场让关键边缘避开坏点，或改用多点平均测量。

三、滤波去噪：在噪声与边缘之间取舍

精密测量最怕滤波把边缘“抹平”。选择原则：先判断噪声类型，再选滤波器。高斯噪声用高斯滤波或双边滤波；椒盐噪声用中值滤波；周期性条纹用频域陷波。对亚像素边缘测量，推荐 3×3 或 5×5 高斯核，σ 取 0.8～1.2；若边缘对比度低于 20 灰度级，应优先改善照明而非加大滤波。

示例参数：某金属件边缘测量，原始图像噪声 σ≈3.2 灰度级，使用 σ=1.0 的高斯滤波后噪声降至 σ≈1.1，边缘位置漂移小于 0.05 像素；若改用 7×7 均值滤波，噪声虽降至 σ≈0.9，但边缘漂移达 0.4 像素，不可接受。

四、对比度增强与测量前标准化

对比度增强只改变显示或后续阈值分割的输入，不应改变几何边缘位置。常用方法：线性拉伸、CLAHE、Gamma 校正。对测量，推荐先做线性拉伸到 10%～90% 灰度范围，再用固定阈值或亚像素边缘算子提取。CLAHE 适合低对比纹理，但会放大噪声，需配合滤波使用。

测量前标准化的核心是“同物同灰度”：固定曝光、增益、光源电流与温度，固定平场/暗场文件，固定滤波与增强参数，并把所有参数写入配方文件。每次开机后先采集暗场与亮场做快速校验，若均匀性偏差超过阈值则重新标定。

五、可执行的标准化配方示例

下面给出一份可直接填入配方文件的参数表，字段与本节处理链一一对应。示例数值属于教学假设，实际应以现场标定结果为准。

完成上述处理后，图像才具备“同物同灰度、同边缘同位置”的测量前提。后续的相机标定、亚像素边缘提取与尺寸计算，都应基于标准化后的图像进行，并把配方文件与标定文件一起纳入版本管理，确保换班、换机、换光源后仍能复现同一测量结果。