第四节：图像预处理——给机器视觉“擦亮眼睛”

各位工程师朋友，大家好。今天我们来聊聊视觉定位里最基础、也最容易被忽视的一环——图像预处理。

说实话，我见过不少刚入行的朋友，拿到图像就直接丢给算法。结果呢？定位不准、匹配失败，最后怀疑算法有问题。其实很多时候，问题出在“眼睛没擦干净”。

图像预处理，说白了就是让原始图像变得更“友好”。让特征更明显，噪声更少，对比度更合适。这样后续的定位算法才能发挥出真实水平。

4.1 灰度化：从彩色到单色的“减法”

工业相机拍出来的大多是彩色图像。但视觉定位算法，其实不需要颜色信息。为什么？因为颜色会引入大量冗余数据，增加计算量，而且光照变化时颜色还容易漂移。

灰度化就是把RGB三通道变成单通道。常用的方法有三种：

• 平均值法：R、G、B三个通道取平均。简单，但效果一般。
• 加权平均法：人眼对绿色最敏感，对蓝色最不敏感。所以常用公式：Gray = 0.299R + 0.587G + 0.114B。这是OpenCV默认的方式。
• 最大值法：取三个通道的最大值。适合某些特殊场景。

我个人习惯用加权平均法。有一次在手机屏幕定位项目中，客户要求速度极快。我试了平均值法，结果边缘模糊了，定位精度下降。换成加权平均法后，问题就解决了。你看，一个简单的灰度化，选错了方法也会出问题。

import cv2

# 读取彩色图像
img = cv2.imread('product.jpg')

# 灰度化 - 使用OpenCV内置函数
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 或者手动实现加权平均法
# gray = 0.299 * img[:,:,2] + 0.587 * img[:,:,1] + 0.114 * img[:,:,0]

4.2 直方图均衡化：让对比度“拉满”

你有没有遇到过这种情况？产线上光照不均匀，有的地方太亮，有的地方太暗。这时候直接做定位，特征根本提取不出来。

直方图均衡化就是解决这个问题的。它把图像的灰度分布“拉伸”开，让暗的地方变亮，亮的地方变暗，整体对比度更均匀。

嗯，这里要注意：直方图均衡化对整体偏暗或偏亮的图像效果很好。但如果图像本身对比度已经不错，再用它反而会引入噪声。我曾在一次PCB板定位中吃过这个亏——均衡化后，原本清晰的焊盘边缘反而变得模糊了。

# 直方图均衡化
equalized = cv2.equalizeHist(gray)

# 效果对比
cv2.imshow('Original', gray)
cv2.imshow('Equalized', equalized)

4.3 高斯滤波：温柔的“磨皮”

工业现场难免有噪声。传感器噪声、电磁干扰、灰尘……这些都会让图像出现随机噪点。如果不处理，定位算法可能会把这些噪点当成特征。

高斯滤波是一种线性平滑滤波。它用高斯核与图像做卷积，每个像素的值被周围像素的加权平均替代。权重由高斯分布决定——离中心越近，权重越大。

说白了，就是给图像“磨皮”，但磨得比较温柔，边缘保留得相对好。

# 高斯滤波，核大小5x5，标准差1.5
blurred = cv2.GaussianBlur(gray, (5, 5), 1.5)

核大小怎么选？我一般从3x3开始试。如果噪声还明显，就加大到5x5或7x7。但别太大，否则图像会变得太模糊，细节丢失。有一次在精密零件定位中，我用了9x9的核，结果边缘模糊了0.3个像素，定位精度直接超标。后来改成5x5，刚刚好。

4.4 中值滤波：专治“椒盐噪声”

高斯滤波对高斯噪声效果好，但对椒盐噪声（黑白点噪声）效果一般。这时候中值滤波就派上用场了。

中值滤波的原理很简单：把像素邻域内的所有值排序，取中间值作为新像素值。这样，那些孤立的噪点（特别亮或特别暗）就会被“剔除”。

我在一个螺丝拧紧视觉引导项目中遇到过这种情况：相机旁边有个电机，每次启动都会产生电磁干扰，图像上出现大量白点。高斯滤波根本搞不定，换成中值滤波后，噪点全没了。这就是选对工具的重要性。

# 中值滤波，核大小5x5
median = cv2.medianBlur(gray, 5)

4.5 图像增强：让特征“跳出来”

预处理最后一步，是图像增强。目的是让目标特征更明显，背景更干净。

常用的方法有：

• 锐化：增强边缘和细节。可以用拉普拉斯算子或Sobel算子。
• 伽马校正：调整图像亮度。伽马值小于1，暗部变亮；大于1，亮部变暗。
• 形态学操作：膨胀、腐蚀、开运算、闭运算。适合二值图像。

# 拉普拉斯锐化
laplacian = cv2.Laplacian(gray, cv2.CV_64F)
sharpened = cv2.addWeighted(gray, 1.5, laplacian, -0.5, 0)

# 伽马校正
gamma = 0.8  # 让暗部更亮
gamma_corrected = np.power(gray / 255.0, gamma) * 255.0
gamma_corrected = gamma_corrected.astype(np.uint8)

锐化要适度。我见过有人把锐化参数调得特别高，结果图像上全是“光晕”，定位反而更差了。记住：增强的目的是让特征更清晰，不是让图像更“好看”。

知识体系总览

下面这张图，是我自己总结的图像预处理流程。每次做项目前，我都会对照着走一遍，确保没有遗漏。

实战建议：预处理流程怎么搭？

说了这么多，到底怎么用？我一般按这个顺序走：

1. 先灰度化——减少数据量，为后续处理打基础。
2. 看直方图——如果灰度分布集中，做均衡化；如果分布已经很好，跳过。
3. 评估噪声类型——高斯噪声用高斯滤波，椒盐噪声用中值滤波。不确定的话，两个都试一下，看效果。
4. 最后增强——锐化或伽马校正，让特征更突出。

记住：没有万能的预处理流程。每个项目、每张图像都不一样。我的习惯是写一个参数配置文件，把预处理步骤做成可开关的模块。这样调试时，可以快速切换组合，找到最优方案。

---