3、图像预处理与增强：去噪算法对比（高斯/中值/双边）、直方图均衡化、数据增强策略
各位同学好，我是老张。今天咱们聊聊图像预处理这块硬骨头。说实话，在缺陷检测项目里，预处理做得好不好，直接决定了后面算法的上限。我见过太多人一上来就扔模型，结果效果不好，回头才发现是图像质量本身就有问题。
嗯，咱们今天重点讲三个方向：去噪、直方图均衡化、数据增强。每个我都会结合实战经验来讲。
3.1 去噪算法对比：高斯、中值、双边滤波
先说说去噪。工业场景下，噪声来源五花八门——传感器热噪声、光照波动、传输干扰等等。选对去噪算法，能省掉后面很多麻烦。
3.1.1 高斯滤波
高斯滤波是最基础的。它的原理说白了就是加权平均——离中心像素越近，权重越大。我习惯用它处理高斯噪声，比如传感器在弱光下产生的噪声。
import cv2
import numpy as np
# 高斯滤波
img = cv2.imread('defect_sample.jpg')
gaussian = cv2.GaussianBlur(img, (5, 5), 1.5)
这里有个坑：核大小必须是奇数，而且sigma值要跟核大小匹配。我一般用sigma=1.5配合5x5核，效果比较均衡。
注意：高斯滤波会模糊边缘。如果你的缺陷本身就是边缘特征（比如划痕、裂纹），高斯滤波可能会把缺陷一起抹掉。我曾经在一个划痕检测项目里吃过这个亏，后来换成了双边滤波。
3.1.2 中值滤波
中值滤波对付椒盐噪声特别管用。什么是椒盐噪声？就是图像上随机出现的黑白点，像撒了盐和胡椒一样。
它的原理很简单：把窗口内的像素排序，取中间值替换中心像素。你想想看，一个孤立的噪声点，排序后肯定在两端，取中间值就把它干掉了。
# 中值滤波
median = cv2.medianBlur(img, 5)
我个人习惯在PCB焊点检测中用中值滤波。因为焊点图像经常有反光造成的椒盐噪声，中值滤波能干净地去掉，同时保留焊点的轮廓。
小技巧：中值滤波的核大小一般取3、5、7。核越大，去噪越强，但图像细节损失也越大。我建议从3开始试，不够再加。
3.1.3 双边滤波
双边滤波是去噪算法里的「高材生」。它同时考虑空间距离和像素值差异，所以能去噪的同时保留边缘。
为什么能做到？因为它有两个权重：一个是空间高斯权重（距离越近权重越大），另一个是像素值高斯权重（像素值越接近权重越大）。边缘处的像素值差异大，所以边缘不会被模糊。
# 双边滤波
bilateral = cv2.bilateralFilter(img, 9, 75, 75)
参数说明：第一个是核大小，第二个是像素值域sigma，第三个是空间域sigma。我一般把后两个设成相同值，从50开始调。
实战对比：在手机屏幕划痕检测中，高斯滤波会把划痕边缘模糊掉，中值滤波对细划痕保留不够好，而双边滤波能在去噪的同时清晰保留划痕边缘。我最终选的就是双边滤波。
3.1.4 三种算法对比表
| 算法 | 适用噪声 | 边缘保留 | 速度 | 典型场景 |
|---|---|---|---|---|
| 高斯滤波 | 高斯噪声 | 差 | 快 | 均匀光照下的表面检测 |
| 中值滤波 | 椒盐噪声 | 中等 | 中等 | PCB焊点、金属表面 |
| 双边滤波 | 混合噪声 | 好 | 慢 | 精密零件、屏幕检测 |
3.2 直方图均衡化
直方图均衡化，说白了就是把图像的灰度分布拉开。有些图像整体偏暗或偏亮，细节都挤在一起看不清，均衡化之后就能看清楚了。
3.2.1 全局直方图均衡化
# 全局直方图均衡化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
equalized = cv2.equalizeHist(gray)
这个方法简单粗暴，但有个问题：它会增强噪声。如果原图噪声多，均衡化后噪声会更明显。我一般在去噪之后再做均衡化。
3.2.2 自适应直方图均衡化（CLAHE）
CLAHE是改进版。它把图像分成小块，每块单独做均衡化，然后用插值拼接。这样能避免全局均衡化带来的局部过亮或过暗问题。
# CLAHE
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_img = clahe.apply(gray)
clipLimit参数控制对比度限制，我一般设2.0到3.0。tileGridSize是分块大小，8x8是常用值。
我的经验：在纺织物缺陷检测中，布料纹理不均匀，全局均衡化效果很差。改用CLAHE后，纹理变得均匀，缺陷（断纱、污渍）一目了然。这个坑我踩过，所以特别推荐CLAHE。
3.3 数据增强策略
数据增强是深度学习时代的必修课。说白了就是「无中生有」——用有限的样本生成更多变体，让模型见过更多情况。
3.3.1 几何变换
- 旋转：±15°以内，太大可能失真
- 翻转：水平翻转、垂直翻转
- 缩放：0.8~1.2倍
- 裁剪：随机裁剪后resize回原尺寸
3.3.2 颜色变换
- 亮度调整：±20%
- 对比度调整：±20%
- 饱和度调整：±20%
- HSV扰动：在HSV空间随机偏移
3.3.3 噪声模拟
- 高斯噪声：模拟传感器噪声
- 椒盐噪声：模拟传输干扰
- 模糊：模拟对焦不准
# 使用imgaug库做数据增强
import imgaug.augmenters as iaa
seq = iaa.Sequential([
iaa.Fliplr(0.5), # 水平翻转
iaa.Affine(rotate=(-15, 15)), # 旋转
iaa.Multiply((0.8, 1.2)), # 亮度调整
iaa.AdditiveGaussianNoise(scale=(0, 0.05*255)) # 高斯噪声
])
augmented_images = seq(images=images)
注意：数据增强不是越多越好。我见过有人把图像旋转90度、180度，结果模型把倒立的缺陷当成了正常样本。增强策略要跟实际场景匹配——你的产品在产线上会倒着放吗？不会就别做这种增强。
3.3.4 实战策略建议
我个人习惯用「三步走」策略：
- 第一步：先做几何变换（翻转、小角度旋转）
- 第二步：再做颜色变换（亮度、对比度微调）
- 第三步：最后加少量噪声（模拟真实环境）
顺序很重要。先做几何变换，再做颜色变换，最后加噪声。为什么？因为几何变换后插值会引入伪影，颜色变换和噪声可以掩盖这些伪影。
核心总结：预处理不是流水线作业，而是「对症下药」。去噪选对算法、均衡化用CLAHE、增强要贴合场景。这三板斧练好了，你的缺陷检测模型至少能提升5-10个点的准确率。
好了，这一章就讲到这里。下一章咱们聊聊特征提取——怎么从预处理后的图像里找到真正的缺陷特征。到时候我会分享一个我踩过的坑，关于特征维度爆炸的问题，挺有意思的。