第3章图像采集与预处理

第一章图像采集与预处理：从相机到可用图像

大家好，我是你们的老朋友。今天咱们聊聊机器视觉闭环里的第一步——图像采集与预处理。说白了，就是怎么把相机里的原始数据，变成算法能用的干净图像。这一步要是做不好，后面再牛的算法也白搭。我见过太多项目，最后排查问题，发现源头就在图像质量上。

拿到一台工业相机，第一件事不是急着拍照，而是调通它的SDK。每个厂家都有自己的SDK，比如海康、大华、Basler。我个人习惯，先把SDK里的示例程序跑一遍，确认相机能正常出图。

调用SDK的核心流程其实大同小异：

这里有个坑，我曾经踩过。有些相机SDK默认是阻塞模式，你调用取图函数时，它会一直等到下一帧到来。如果相机没触发或者帧率太低，程序就卡死了。所以我建议，一定要设置超时时间，或者用非阻塞模式。

核心要点：SDK调用不是简单的“打开-拍照-关闭”。你得考虑异常处理，比如相机掉线、缓冲区溢出。我一般会在取图循环里加个计数器，连续取不到图就报警。

相机传感器拍出来的原始数据，通常是Bayer格式。说白了，每个像素只记录一种颜色（红、绿或蓝），排列成棋盘格。你得通过插值算法，把它变成完整的RGB图像。

常见的Bayer排列有四种：BGGR、GBRG、GRBG、RGGB。我刚开始做视觉时，就搞错过排列顺序，结果图像颜色全乱套了。后来我学乖了，先拍一张白纸，看看颜色对不对。

格式转换的流程：

你想想看，为什么灰度转换要用这个权重？因为人眼对绿色最敏感，对蓝色最不敏感。这个公式是ITU-R BT.601标准里定的，咱们直接拿来用就行。

小技巧：如果只是做边缘检测或二值化，直接用Bayer格式的绿色通道当灰度图，效果也不差。因为绿色通道的采样率是红色和蓝色的两倍，信息更丰富。

图像里总有噪声，比如传感器热噪声、环境光干扰。滤波就是把这些噪声去掉，同时尽量保留边缘细节。

高斯滤波：说白了就是加权平均。每个像素的值，由它周围像素的加权和决定，权重服从高斯分布。它适合去除高斯噪声，比如传感器噪声。

我一般用5x5的高斯核，sigma取1.0左右。sigma太小，滤波效果不明显；sigma太大，图像会变模糊，边缘也没了。

// 高斯滤波示例（C++）
cv::GaussianBlur(src, dst, cv::Size(5, 5), 1.0);

中值滤波：取邻域内所有像素的中位数，代替中心像素。它对椒盐噪声（黑白点）特别有效。我记得有一次做PCB检测，图像上全是白点，用高斯滤波怎么都去不掉，换成中值滤波，一下就干净了。

中值滤波的核大小一般是奇数，比如3x3、5x5。核越大，去噪越强，但图像细节损失也越大。

注意：中值滤波的计算量比高斯滤波大，尤其是核尺寸大的时候。实时系统里要权衡一下。我曾经在嵌入式平台上用7x7的中值滤波，帧率直接掉了一半。

有时候图像太暗或太亮，细节都藏在阴影或高光里。这时候就需要图像增强，把对比度拉开。

直方图均衡化：把图像的灰度直方图，从集中分布拉伸成均匀分布。说白了，就是让亮的更亮，暗的更暗，中间层次更丰富。

但要注意，全局直方图均衡化可能会放大噪声。我更喜欢用自适应直方图均衡化（CLAHE），它把图像分成小块，每块单独做均衡化，效果更自然。

// CLAHE示例（C++）
cv::Ptr<cv::CLAHE> clahe = cv::createCLAHE(2.0, cv::Size(8, 8));
clahe->apply(src, dst);

伽马校正：通过非线性变换，调整图像的亮度。公式是 O = I^γ，其中γ是伽马值。

我一般用γ=0.5来提亮暗部，或者γ=2.0来压暗过曝区域。具体值得根据实际图像调试，没有万能参数。

经验之谈：图像增强不是越强越好。过度增强会让图像看起来不自然，甚至引入伪影。我通常会在增强前后对比一下，确保没有丢失关键信息。

下面这张图，概括了图像采集与预处理的完整流程。从相机SDK获取原始数据，经过格式转换、滤波去噪、增强对比度，最终得到可用于算法分析的干净图像。

嗯，这一章的内容就到这里。图像采集与预处理是视觉系统的基石，看似简单，但细节很多。我建议你动手试试，拿一台相机，从SDK调用开始，一步步走到增强输出。遇到问题别怕，多调试几次就熟了。