缺陷检测算法基础：边缘检测、阈值分割与形态学操作

做工业视觉这几年，我越来越觉得：算法不在多，在于用得对。很多刚入行的朋友喜欢追新模型，但真正产线上跑得稳的，往往是那些最基础的算法。今天咱们就把边缘检测、阈值分割和形态学操作这三板斧彻底聊透。

一、边缘检测：找到缺陷的轮廓

边缘检测说白了就是找图像里灰度变化剧烈的地方。缺陷的边缘往往就是灰度突变的位置，比如划痕、裂纹、脏污的边界。

1.1 Sobel 算子

Sobel 是最基础的边缘检测算子。它用两个 3×3 的卷积核分别计算水平和垂直方向的梯度。

// Sobel 核心算子
// 水平方向 Gx         垂直方向 Gy
[-1, 0, 1]             [-1, -2, -1]
[-2, 0, 2]             [ 0,  0,  0]
[-1, 0, 1]             [ 1,  2,  1]

// OpenCV 调用示例
cv::Mat grad_x, grad_y, grad;
cv::Sobel(src, grad_x, CV_16S, 1, 0, 3);  // 水平梯度
cv::Sobel(src, grad_y, CV_16S, 0, 1, 3);  // 垂直梯度
cv::convertScaleAbs(grad_x, grad_x);
cv::convertScaleAbs(grad_y, grad_y);
cv::addWeighted(grad_x, 0.5, grad_y, 0.5, 0, grad);

1.2 Canny 边缘检测

Canny 是目前工业界用得最多的边缘检测算法。它比 Sobel 多做了两步：非极大值抑制和双阈值滞后追踪。这两步很关键——非极大值抑制让边缘变细，双阈值解决边缘断裂问题。

// Canny 标准流程
cv::Mat edges;
cv::Canny(src, edges, 50, 150, 3);  // low_threshold=50, high_threshold=150

// 参数调优建议
// low_threshold : high_threshold = 1:2 到 1:3 之间
// 核大小一般用 3，图像噪声大时用 5

二、阈值分割：把缺陷区域抠出来

阈值分割的目标是把目标和背景分开。工业场景里，缺陷区域通常比背景暗或亮，选对阈值方法就成功了一半。

2.1 OTSU 大津法

OTSU 自动计算最佳阈值，原理是让前景和背景的类间方差最大。说白了，它帮你找到那个「分得最开」的灰度值。

// OTSU 自动阈值
double otsu_thresh = cv::threshold(src, binary, 0, 255, 
                                    cv::THRESH_BINARY | cv::THRESH_OTSU);

// 返回的 otsu_thresh 就是算法算出来的最佳阈值

2.2 自适应阈值

自适应阈值针对光照不均的场景。它把图像分成小块，每块单独算阈值。产线上打光不均匀是常态，自适应阈值比全局阈值靠谱得多。

// 自适应阈值
cv::adaptiveThreshold(src, binary, 255, 
                      cv::ADAPTIVE_THRESH_MEAN_C,  // 均值法
                      cv::THRESH_BINARY, 
                      11,  // 块大小，必须为奇数
                      2);  // 常数 C，从均值中减去的值

// 另一种：高斯加权
cv::adaptiveThreshold(src, binary, 255,
                      cv::ADAPTIVE_THRESH_GAUSSIAN_C,  // 高斯加权
                      cv::THRESH_BINARY,
                      11, 2);

三、形态学操作：修整分割结果

阈值分割出来的二值图往往有毛刺、空洞、孤立噪点。形态学操作就是用来修这些问题的。你想想看，产线上如果直接拿有毛刺的二值图去算缺陷面积，那结果肯定不准。

3.1 膨胀与腐蚀

膨胀让白色区域变大，腐蚀让白色区域变小。这两个操作是形态学的基础。

// 定义结构元素
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

// 膨胀
cv::dilate(binary, dilated, kernel);

// 腐蚀
cv::erode(binary, eroded, kernel);

3.2 开运算与闭运算

开运算 = 先腐蚀后膨胀，用来去除小噪点。闭运算 = 先膨胀后腐蚀，用来填充小空洞。这两个组合操作比单独用膨胀腐蚀更稳定。

// 开运算：去除小噪点
cv::morphologyEx(binary, opened, cv::MORPH_OPEN, kernel);

// 闭运算：填充小空洞
cv::morphologyEx(binary, closed, cv::MORPH_CLOSE, kernel);

四、实战组合：一个完整的缺陷检测流程

光讲理论没意思，咱们看一个真实案例。假设要检测手机屏幕上的划痕：

1. 预处理： 高斯滤波去噪，核大小 5×5
2. 边缘检测： Canny 提取划痕边缘，阈值 30:90
3. 阈值分割： 自适应阈值（块大小 15，C=3）得到二值图
4. 形态学后处理： 开运算（3×3 矩形核）去除噪点，闭运算（3×3 矩形核）连接断裂划痕
5. 缺陷判定： 计算连通域面积，面积大于 50 像素的标记为缺陷

// 完整流程代码片段
cv::Mat gray, blurred, edges, binary, cleaned;

// 1. 灰度化 + 高斯滤波
cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);
cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 1.5);

// 2. Canny 边缘检测
cv::Canny(blurred, edges, 30, 90, 3);

// 3. 自适应阈值
cv::adaptiveThreshold(blurred, binary, 255,
                      cv::ADAPTIVE_THRESH_GAUSSIAN_C,
                      cv::THRESH_BINARY, 15, 3);

// 4. 形态学操作
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));
cv::morphologyEx(binary, cleaned, cv::MORPH_OPEN, kernel);
cv::morphologyEx(cleaned, cleaned, cv::MORPH_CLOSE, kernel);

// 5. 连通域分析
std::vector<std::vector<cv::Point>> contours;
cv::findContours(cleaned, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
for (auto& c : contours) {
    if (cv::contourArea(c) > 50) {
        // 标记为缺陷
    }
}