4. 图像增强技术：拉普拉斯锐化、Sobel边缘增强、自适应直方图均衡化（CLAHE）
图像增强，说白了就是让缺陷“现原形”。
在光学检测中，原始图像往往存在对比度低、边缘模糊、光照不均等问题。你想想看，一个微米级的划痕，如果图像灰蒙蒙的，算法根本抓不到。所以，增强不是为了让图好看，而是为了把特征信号从背景噪声里“炸”出来。
我个人习惯把这三种方法搭配着用。拉普拉斯负责细节锐化，Sobel负责边缘勾勒，CLAHE负责局部对比度拉升。它们各司其职，组合起来效果往往1+1>2。
核心逻辑：增强的本质是“放大差异”。无论是空间域的高通滤波，还是直方图的重分布，目标都是让缺陷区域与正常区域的灰度差更明显。
4.1 拉普拉斯锐化
拉普拉斯算子，本质是二阶微分。它不关心灰度值本身，只关心灰度的变化率的变化率。说白了，它能把那些缓慢变化的背景压平，把突变的地方——比如缺陷边缘——给顶起来。
我记得有一次做手机屏幕的划痕检测。玻璃上的划痕很浅，肉眼都难看清。用拉普拉斯一过，划痕像被描了边一样，清晰得不得了。但这里有个坑——它对噪声极其敏感。图像上如果有颗粒噪声，拉普拉斯会把噪声也当成“细节”放大。
避坑指南：我曾经在产线上直接对原始图用拉普拉斯，结果满屏都是噪点。后来学乖了，先做一次高斯模糊降噪，再做拉普拉斯锐化。顺序不能反，先平滑后锐化。
import cv2
import numpy as np
def laplacian_sharpen(image):
# 先高斯模糊降噪
blurred = cv2.GaussianBlur(image, (3, 3), 0)
# 拉普拉斯算子
laplacian = cv2.Laplacian(blurred, cv2.CV_64F, ksize=3)
# 转换为uint8并叠加回原图
sharp = np.uint8(np.clip(image - laplacian, 0, 255))
return sharp
# 使用示例
img = cv2.imread('defect.jpg', 0)
enhanced = laplacian_sharpen(img)个人经验：拉普拉斯核的大小我一般用3x3。5x5虽然平滑效果更好，但会丢失微细缺陷。对于亚像素级的缺陷，3x3是首选。
4.2 Sobel边缘增强
Sobel算子和拉普拉斯不同。它是一阶微分，能告诉我们边缘的方向。水平方向和垂直方向分别做卷积，然后合成梯度幅值图。你想想看，在检测PCB线路板时，线路的边缘是有方向性的。Sobel能同时给出强度和方向，这对后续的缺陷定位很有帮助。
我习惯把Sobel和拉普拉斯对比着用。拉普拉斯对孤立点、细线敏感；Sobel对阶跃边缘响应更强。如果缺陷是细长的划痕，拉普拉斯效果更好。如果是块状的脏污或凹凸，Sobel更稳定。
def sobel_edge_enhance(image):
# 计算x和y方向的梯度
grad_x = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
grad_y = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
# 计算梯度幅值
magnitude = np.sqrt(grad_x**2 + grad_y**2)
# 归一化到0-255
magnitude = np.uint8(np.clip(magnitude, 0, 255))
return magnitude
# 也可以直接使用cv2.magnitude
def sobel_fast(image):
sobelx = cv2.Sobel(image, cv2.CV_64F, 1, 0, ksize=3)
sobely = cv2.Sobel(image, cv2.CV_64F, 0, 1, ksize=3)
sobel = cv2.magnitude(sobelx, sobely)
return np.uint8(np.clip(sobel, 0, 255))关键参数：ksize=3是标准配置。ksize越大，对噪声抑制越好，但边缘定位精度下降。在光学检测中，我通常固定ksize=3，通过后续的阈值处理来控制灵敏度。
4.3 自适应直方图均衡化（CLAHE）
普通直方图均衡化有个致命问题——它是对整张图做全局拉伸。如果图像光照不均匀，亮的地方更亮，暗的地方更暗，缺陷反而被淹没了。CLAHE的出现就是为了解决这个问题。
CLAHE的原理很简单：把图像分成一个个小块（tile），每个块内独立做直方图均衡化。然后通过双线性插值消除块之间的边界效应。最关键的是，它加了一个“对比度限制”参数——防止某个灰度级被过度拉伸，从而抑制噪声放大。
我在做金属表面缺陷检测时，遇到过光照反射不均的情况。普通直方图均衡化后，反光区域一片惨白，缺陷完全看不见。换成CLAHE后，局部对比度被合理拉升，暗区的划痕和亮区的凹坑都能同时看清。
def clahe_enhance(image, clip_limit=2.0, tile_size=8):
# 创建CLAHE对象
clahe = cv2.createCLAHE(clipLimit=clip_limit,
tileGridSize=(tile_size, tile_size))
# 应用CLAHE
enhanced = clahe.apply(image)
return enhanced
# 参数调优示例
img = cv2.imread('uneven_lighting.jpg', 0)
# clip_limit=2.0 是比较保守的值，噪声少但增强效果温和
result1 = clahe_enhance(img, clip_limit=2.0)
# clip_limit=4.0 增强效果更强，但可能放大噪声
result2 = clahe_enhance(img, clip_limit=4.0)调参建议：clip_limit我一般从2.0开始试。如果缺陷对比度不够，逐步增加到3.0或4.0。tile_size默认8x8，对于大尺寸图像（比如2000x2000以上），可以试试16x16，计算更快，效果也够用。
4.4 三种方法的组合策略
在实际项目中，我很少只用一种方法。常见的组合套路是这样的：
| 场景 | 推荐组合 | 说明 |
|---|---|---|
| 低对比度 + 微弱划痕 | CLAHE → 拉普拉斯锐化 | 先拉升对比度，再锐化细节 |
| 光照不均 + 边缘缺陷 | CLAHE → Sobel边缘增强 | CLAHE消除光照影响，Sobel提取边缘 |
| 噪声较多 + 需要精细边缘 | 高斯模糊 → 拉普拉斯 → Sobel | 先降噪，再锐化，最后提取边缘 |
| 快速检测（实时性要求高） | 仅Sobel或仅CLAHE | 减少计算量，牺牲部分效果 |
注意：CLAHE和拉普拉斯叠加使用时，可能会放大背景纹理。我曾经在检测布匹表面时，把织物纹理也增强了，导致误检率飙升。后来在CLAHE之后加了一个小尺度的中值滤波，才把纹理压下去。
嗯，这三种方法讲到这里。核心思路就是：先分析缺陷特征，再选增强手段。没有万能的方法，只有合适的组合。你在实际调试时，建议准备几张典型缺陷图，把每种方法的效果都跑一遍，对比着看，很快就能找到感觉。
公众号:蓝海资料掘金营，微信deep3321