3. 图像采集与预处理：让相机“看清”缺陷的第一步
做光学检测这么多年，我最大的体会就是——图像预处理做得好，后面算法省一半的力气。你想想看，如果相机拍出来的图本身就乱七八糟的，你再牛的检测算法也白搭。今天我就把这块的核心操作掰开揉碎了讲给你听。
3.1 用OpenCV读取图像：别小看这一步
读取图像，听起来简单吧？但我见过太多新手在这栽跟头。OpenCV读取图像默认是BGR格式，不是我们熟悉的RGB。这坑我踩过不止一次。
import cv2
import numpy as np
# 读取图像——我最常用的方式
img = cv2.imread('defect_sample.jpg')
# 检查是否读取成功
if img is None:
print("图像读取失败，检查路径或文件")
exit()
# 显示原始图像
cv2.imshow('Original Image', img)
cv2.waitKey(0)
cv2.destroyAllWindows()读取相机流呢？我建议用VideoCapture。记得设置分辨率，不然默认的640x480有时候不够用。
cap = cv2.VideoCapture(0) # 0代表默认摄像头
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1920)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080)
ret, frame = cap.read()
if ret:
cv2.imwrite('captured_frame.jpg', frame)
cap.release()3.2 灰度化：丢掉颜色，保留结构
为什么要灰度化？说白了，大部分光学缺陷（划痕、脏污、气泡）在灰度图上就能看得很清楚。颜色信息反而会干扰检测。我做过一个项目，检测手机玻璃盖板的划痕，彩色图跑算法要200ms，灰度图只要50ms，准确率还更高。
# 灰度化——三种方式，我常用第一种
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 或者直接以灰度模式读取
gray_img = cv2.imread('defect_sample.jpg', cv2.IMREAD_GRAYSCALE)你可能会问：那什么时候保留彩色？嗯，当缺陷本身带有颜色特征时，比如PCB板上的氧化变色，这时候彩色信息就有用了。
3.3 直方图均衡化：让暗部细节“浮出水面”
直方图均衡化，说白了就是把图像的灰度分布“拉平”。我遇到过一批产品，因为打光角度问题，图像整体偏暗，缺陷几乎看不见。均衡化之后，那些细微的划痕立马显现出来。
# 全局直方图均衡化
equ = cv2.equalizeHist(gray)
# 对比显示
cv2.imshow('Original Gray', gray)
cv2.imshow('Equalized', equ)但要注意——全局均衡化有时候会放大噪声。我建议你试试CLAHE（对比度受限自适应直方图均衡化），效果更细腻。
# CLAHE——我的首选
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(gray)3.4 高斯滤波去噪：平滑但不模糊边缘
高斯滤波，核心思想是用一个高斯核去卷积图像。每个像素的值由它周围像素加权平均得到，权重由高斯分布决定。这样做的好处是——去噪的同时尽量保留边缘。
# 高斯滤波——核大小和标准差是关键
blurred = cv2.GaussianBlur(gray, (5, 5), 1.5)
# 参数说明：
# (5,5) 是核大小，必须是奇数
# 1.5 是标准差σ，控制平滑程度核大小怎么选？我一般遵循这个原则：
| 核大小 | 适用场景 | 我的经验 |
|---|---|---|
| (3, 3) | 轻微噪声，需要保留精细缺陷 | 检测微小划痕时用 |
| (5, 5) | 中等噪声，通用场景 | 我最常用的尺寸 |
| (7, 7) | 强噪声，大缺陷检测 | 注意会模糊小缺陷 |
3.5 完整流程：从相机到预处理
好了，我们把上面这些串起来，形成一个完整的预处理流水线。这是我做项目时的标准流程：
def preprocess_image(image_path):
# 1. 读取图像
img = cv2.imread(image_path)
if img is None:
return None
# 2. 灰度化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 3. CLAHE增强
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
enhanced = clahe.apply(gray)
# 4. 高斯滤波去噪
denoised = cv2.GaussianBlur(enhanced, (5, 5), 1.5)
return denoised
# 调用
result = preprocess_image('defect_sample.jpg')
cv2.imshow('Preprocessed', result)这个流程我用了好几年，在玻璃、金属、塑料等多种材质上都验证过。当然，具体参数要根据你的实际图像微调。
3.6 知识体系总览
下面这张图，是我梳理的本章核心逻辑。你可以把它当作一个检查清单：
你看，整个流程其实就四个步骤。但每一步都有讲究——灰度化怎么选通道、均衡化用全局还是CLAHE、高斯滤波核多大合适。这些细节，决定了你最终检测算法的成败。