第四章：图像分割技术——阈值分割、边缘检测与形态学操作
各位同学，欢迎来到第四章。这一章的内容，说白了就是教你怎么把SEM图像里的缺陷“抠”出来。我做了这么多年半导体工艺，见过太多因为分割没做好导致误判的案例。今天咱们就把阈值分割、边缘检测和形态学操作这三个核心工具彻底讲透。
本章核心逻辑：图像分割的本质就是“找边界”和“分区域”。阈值分割靠灰度值硬切，边缘检测靠梯度变化软找，形态学操作则是修修补补的后期处理。三者配合，才能从复杂的SEM图像中稳定提取缺陷。
4.1 阈值分割：最直接的分割方式
阈值分割，说白了就是设定一个灰度值门槛。比门槛亮的算一类，比门槛暗的算另一类。在SEM图像里，缺陷区域和背景往往有比较明显的灰度差异，这时候阈值分割就特别好使。
4.1.1 Otsu阈值分割
Otsu算法是我个人最常用的自动阈值方法。它不需要你手动调参，算法自己会算出一个最优阈值。原理很简单：遍历所有可能的阈值，找到那个能让前景和背景的类间方差最大的值。
我的经验：Otsu对直方图呈双峰的图像效果最好。如果SEM图像的灰度直方图只有一个峰（比如背景太亮或太暗），Otsu可能会翻车。我遇到过几次，后来就养成了先看直方图的习惯。
import cv2
import numpy as np
# 读取SEM图像
img = cv2.imread('sem_defect.png', 0)
# Otsu阈值分割
ret, thresh_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(f"Otsu自动计算的阈值: {ret}")
# 输出类似：Otsu自动计算的阈值: 1274.1.2 自适应阈值
为什么需要自适应阈值？因为SEM图像经常存在光照不均匀的问题。比如晶圆边缘比中心暗，或者扫描电子束的强度有波动。这时候全局阈值就不够用了。
自适应阈值的思想是：对每个像素，只考虑它周围一个小邻域的灰度分布，算出局部阈值。这样就能应对光照不均的情况。
# 自适应阈值
thresh_adaptive = cv2.adaptiveThreshold(
img, 255,
cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY,
blockSize=11, # 邻域大小，奇数
C=2 # 从均值减去的常数
)避坑指南：blockSize参数很关键。设太小了容易把噪声当成缺陷，设太大了又失去了自适应的意义。我曾经在一个金属线缺陷检测项目里，把blockSize从11调到21，误检率直接降了一半。建议从11开始试，根据图像分辨率调整。
4.2 边缘检测：找到缺陷的轮廓
阈值分割靠的是灰度值，边缘检测靠的是灰度变化率。说白了，就是找图像中灰度突然变化的地方。缺陷的边缘往往就是这种突变点。
4.2.1 Sobel算子
Sobel算子是最基础的边缘检测方法。它用两个3x3的卷积核，分别计算水平方向和垂直方向的梯度。然后合成得到边缘强度。
# Sobel边缘检测
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3) # 水平梯度
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3) # 垂直梯度
# 合成梯度幅值
sobel_magnitude = np.sqrt(sobel_x**2 + sobel_y**2)
sobel_magnitude = np.uint8(np.clip(sobel_magnitude, 0, 255))嗯，这里要注意：Sobel对噪声比较敏感。如果SEM图像本身信噪比不高，建议先做一下高斯滤波再跑Sobel。
4.2.2 Canny边缘检测
Canny是业界公认的“黄金标准”。它比Sobel复杂得多，但效果也稳定得多。Canny的流程是：先高斯滤波降噪，再算梯度，然后做非极大值抑制（只保留梯度方向上的局部最大值），最后用双阈值检测和连接边缘。
# Canny边缘检测
edges = cv2.Canny(img, threshold1=50, threshold2=150)
# 双阈值参数说明：
# threshold1: 低阈值，低于此值的像素被丢弃
# threshold2: 高阈值，高于此值的像素被保留为强边缘
# 介于两者之间的，如果与强边缘相连则保留，否则丢弃实战建议：Canny的两个阈值怎么调？我一般用2:1到3:1的比例。比如低阈值50，高阈值150。如果图像对比度低，可以适当降低两个阈值。我在检测氧化层裂纹时，就经常把阈值降到30和90，才能把细小的裂纹边缘抓出来。
4.3 形态学操作：修修补补的后处理
分割完的图像往往不完美。可能有毛刺、有空洞、有孤立噪点。这时候就需要形态学操作来“整形”。
4.3.1 腐蚀与膨胀
腐蚀：让白色区域“瘦一圈”。可以消除小的白色噪点，但也会让缺陷变小。
膨胀：让白色区域“胖一圈”。可以填补小的空洞，但也会让缺陷变大。
# 定义结构元素（核）
kernel = np.ones((3,3), np.uint8)
# 腐蚀
eroded = cv2.erode(binary_img, kernel, iterations=1)
# 膨胀
dilated = cv2.dilate(binary_img, kernel, iterations=1)4.3.2 开运算与闭运算
开运算 = 先腐蚀后膨胀。作用是：消除小的噪点，断开细小的连接。说白了就是“去毛刺”。
闭运算 = 先膨胀后腐蚀。作用是：填补小的空洞，连接断开的轮廓。说白了就是“补窟窿”。
# 开运算：先腐蚀后膨胀
opening = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)
# 闭运算：先膨胀后腐蚀
closing = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)我的习惯：在缺陷检测流程里，我通常先做开运算去掉噪声，再做闭运算填补缺陷内部的空洞。顺序不能反，否则噪声会被膨胀放大。有一次我搞反了顺序，结果把一堆噪声点连成了“伪缺陷”，排查了半天才发现问题。
4.4 实战组合拳：一个完整的缺陷分割流程
光讲理论没意思，咱们来一个完整的流程。假设我们要从一张SEM图像中检测出划痕缺陷：
- 预处理：高斯滤波去噪，核大小5x5
- 边缘检测：Canny算子，阈值50/150
- 形态学处理：先开运算（3x3核，1次），再闭运算（5x5核，2次）
- 轮廓提取：用cv2.findContours找到所有连通区域
- 筛选：根据面积、长宽比等特征过滤掉非缺陷区域
def detect_scratches(img_path):
# 1. 读取并预处理
img = cv2.imread(img_path, 0)
blurred = cv2.GaussianBlur(img, (5,5), 0)
# 2. Canny边缘检测
edges = cv2.Canny(blurred, 50, 150)
# 3. 形态学操作
kernel_open = np.ones((3,3), np.uint8)
kernel_close = np.ones((5,5), np.uint8)
opened = cv2.morphologyEx(edges, cv2.MORPH_OPEN, kernel_open)
closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel_close)
# 4. 找轮廓
contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 5. 筛选缺陷（面积大于100像素的才保留）
defects = []
for cnt in contours:
area = cv2.contourArea(cnt)
if area > 100:
defects.append(cnt)
return defects我曾经踩过的坑：在步骤3里，开运算的核大小不能太大。有一次我用7x7的核对划痕做开运算，结果把细划痕直接腐蚀没了。后来我改成3x3，效果就好多了。记住：形态学操作是“手术刀”，不是“大砍刀”，下手要轻。
4.5 本章小结
阈值分割、边缘检测、形态学操作，这三者是SEM图像缺陷识别的基石。阈值分割适合背景均匀的情况，边缘检测能抓出精细的轮廓，形态学操作则是最后的“美容师”。
实际项目中，很少只用一种方法。我通常的做法是：先用Otsu或自适应阈值做粗分割，再用Canny精修边缘，最后用形态学操作清理结果。这套组合拳，我在几十个缺陷检测项目里都用过，效果稳定。
好了，这一章的内容就到这里。记住：多动手试参数，多观察中间结果，才是掌握图像分割的不二法门。