第1章：叶片图像预处理基础

各位工程师朋友，大家好。我是老张，在机器视觉领域摸爬滚打了十几年。今天咱们开始聊叶片裂纹识别的第一道工序——图像预处理。

说实话，很多人一上来就急着跑模型，结果效果惨不忍睹。为什么？因为原始图像太「脏」了。光照不均、噪声干扰、对比度差……这些问题不解决，再好的算法也白搭。

我个人习惯，预处理占整个项目时间的40%以上。别嫌多，这步做好了，后面事半功倍。

1.1 图像读取与显示——从硬盘到内存的第一步

先说说最基础的操作。用OpenCV读取图像，代码就两行：

import cv2
img = cv2.imread('leaf.jpg')

但这里有个坑，我刚开始做项目时栽过跟头。OpenCV默认读取的是BGR格式，不是我们熟悉的RGB。你用matplotlib直接显示，颜色就全乱了。

显示图像我习惯用matplotlib：

import matplotlib.pyplot as plt
plt.imshow(img_rgb)
plt.title('原始叶片图像')
plt.axis('off')
plt.show()

你想想看，这一步虽然简单，但却是所有后续操作的基础。图像没读对，后面全是白费功夫。

1.2 灰度化与直方图均衡化——让裂纹「显形」

彩色图像信息量大，但裂纹检测其实不需要颜色。灰度化能减少计算量，还能突出纹理特征。

gray = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2GRAY)

但问题来了——光照不均匀怎么办？比如叶片一半亮一半暗，裂纹在暗区根本看不清。

这时候直方图均衡化就派上用场了。说白了，就是把像素值的分布「拉平」，让暗的地方亮起来，亮的地方暗下去。

equ = cv2.equalizeHist(gray)

嗯，这里要注意：CLAHE的clipLimit参数需要调。我一般从2.0开始试，太大会出现伪影，太小又没效果。

1.3 高斯滤波与中值滤波去噪——给图像「美颜」

工业相机拍出来的叶片图像，多少都有噪声。椒盐噪声、高斯噪声……这些噪声会干扰裂纹的提取。

我个人习惯，先用高斯滤波去除高斯噪声：

gaussian = cv2.GaussianBlur(gray, (5,5), 1.0)

高斯滤波的原理，就是用邻域像素的加权平均来平滑图像。核大小我一般选5×5或7×7，太大细节就没了。

但高斯滤波对椒盐噪声效果不好。这时候要用中值滤波：

median = cv2.medianBlur(gray, 5)

中值滤波用邻域像素的中值代替中心像素，对椒盐噪声简直是「克星」。我在一个叶片表面缺陷检测项目里，就是靠中值滤波把噪声压下去的。

1.4 图像增强实战——让裂纹无处遁形

好了，前面都是热身。现在咱们来点真格的——图像增强实战。

我常用的增强组合拳是：CLAHE + 锐化 + 形态学操作。

第一步，CLAHE增强对比度：

clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
enhanced = clahe.apply(gray)

第二步，锐化让裂纹边缘更清晰：

kernel = np.array([[-1,-1,-1],
                   [-1, 9,-1],
                   [-1,-1,-1]])
sharpened = cv2.filter2D(enhanced, -1, kernel)

第三步，形态学操作去除小噪点：

kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(sharpened, cv2.MORPH_OPEN, kernel)

最后，把处理前后的图像放在一起对比：

plt.figure(figsize=(12,4))
plt.subplot(1,3,1); plt.imshow(gray, cmap='gray'); plt.title('原始灰度')
plt.subplot(1,3,2); plt.imshow(enhanced, cmap='gray'); plt.title('CLAHE增强')
plt.subplot(1,3,3); plt.imshow(opening, cmap='gray'); plt.title('锐化+去噪')
plt.show()

你看，裂纹是不是清晰多了？这就是预处理的魅力。

---

好了，第一章的内容就到这里。图像预处理是叶片裂纹识别的基础，每一步都有它的道理。别嫌麻烦，多调调参数，多看看效果，慢慢就有感觉了。

有什么问题，欢迎交流。我是老张，咱们下章见。