4、图像预处理（下）：形态学操作、边缘检测与二值化

好，咱们接着聊图像预处理。上一节我们讲了滤波和直方图，这一节的内容更“暴力”一些——形态学操作、边缘检测和二值化。说实话，这三个东西在工业现场几乎是天天见。我刚开始做视觉项目那会儿，总觉得形态学就是“腐蚀膨胀随便玩玩”，后来吃了不少亏才明白，这里面的门道深着呢。

4.1 形态学操作：腐蚀、膨胀、开闭运算

形态学操作，说白了就是“用一个小结构元素去图像里滚一圈”。这个小结构元素可以是3x3的方形，也可以是十字形、圆形。你想想看，它就像一把刷子，在二值图像上刷来刷去。

4.1.1 腐蚀与膨胀

腐蚀：让白色区域“瘦一圈”。
膨胀：让白色区域“胖一圈”。

我在项目中遇到过这样一个场景：检测电路板上的焊点，结果图像里有一些细小的噪点。腐蚀一下，噪点就没了。但代价是焊点也变小了。嗯，这里要注意——腐蚀和膨胀是一对“冤家”，用的时候得权衡。

核心公式（简单理解）：

  • 腐蚀：结构元素内所有像素都是白色，中心才保留白色。
  • 膨胀：结构元素内只要有一个白色，中心就变成白色。
// C++ 示例：腐蚀与膨胀
cv::Mat src = cv::imread("binary.png", cv::IMREAD_GRAYSCALE);
cv::Mat eroded, dilated;

cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

cv::erode(src, eroded, kernel);
cv::dilate(src, dilated, kernel);

cv::imshow("Eroded", eroded);
cv::imshow("Dilated", dilated);
cv::waitKey(0);

我的小技巧：工业现场如果图像噪声是“白点”（白色背景上的黑点），先腐蚀再膨胀。如果是“黑点”（黑色背景上的白点），先膨胀再腐蚀。这个顺序搞反了，效果会差很多。

4.1.2 开运算与闭运算

开运算 = 先腐蚀后膨胀。闭运算 = 先膨胀后腐蚀。

为什么要搞这两个？因为单独用腐蚀或膨胀，图像的整体亮度会变。开运算和闭运算能保持整体亮度不变，只改变细节。

  • 开运算：消除小白点（噪声），断开细小的连接。
  • 闭运算：填充小黑洞，连接断开的区域。

我曾经在一个螺丝检测项目里，螺丝表面有反光造成的“黑洞”。闭运算一上去，黑洞填平了，螺丝轮廓完整了。但要注意——闭运算做多了，会把两个相邻的螺丝连在一起，那就麻烦了。

// Python 示例：开闭运算
import cv2
import numpy as np

img = cv2.imread('screw.png', 0)
kernel = np.ones((5,5), np.uint8)

opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

cv2.imshow('Opening', opening)
cv2.imshow('Closing', closing)

避坑指南：我曾经在一条产线上用开运算去噪，结果把产品上的关键特征也给去掉了。后来才发现——结构元素选太大了。记住：结构元素的大小，不要超过你要保留的最小特征尺寸。

4.2 边缘检测：Canny 与 Sobel

边缘检测，说白了就是找图像中“亮度变化剧烈”的地方。工业视觉里，边缘就是产品的轮廓、缺陷的边界。没有边缘检测，很多后续算法根本没法玩。

4.2.1 Sobel 算子

Sobel 算子是边缘检测的“老前辈”。它用两个3x3的核，一个检测水平边缘，一个检测垂直边缘。

我个人习惯在需要“方向性”边缘的时候用 Sobel。比如检测 PCB 板上的直线走线，Sobel 能告诉你边缘是水平还是垂直的。

// C++ 示例：Sobel 边缘检测
cv::Mat src = cv::imread("pcb.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat grad_x, grad_y, grad;

cv::Sobel(src, grad_x, CV_16S, 1, 0, 3);
cv::Sobel(src, grad_y, CV_16S, 0, 1, 3);

cv::convertScaleAbs(grad_x, grad_x);
cv::convertScaleAbs(grad_y, grad_y);
cv::addWeighted(grad_x, 0.5, grad_y, 0.5, 0, grad);

cv::imshow("Sobel", grad);

注意：Sobel 对噪声比较敏感。如果图像本身有噪声，建议先做一次高斯滤波。我一般会这样组合：高斯滤波 → Sobel → 阈值处理。

4.2.2 Canny 边缘检测

Canny 是边缘检测里的“王者”。它比 Sobel 强在哪？强在“双阈值”和“非极大值抑制”。

简单说：Canny 会先找出所有可能的边缘，然后用两个阈值筛选——高阈值保留强边缘，低阈值保留弱边缘，但只有与强边缘相连的弱边缘才被保留。

我记得有一次做手机屏幕的划痕检测，Sobel 出来的结果全是噪点，Canny 一上，划痕清清楚楚。为什么？因为 Canny 能抑制那些孤立的噪声点。

# Python 示例：Canny 边缘检测
import cv2

img = cv2.imread('scratch.jpg', 0)
edges = cv2.Canny(img, 50, 150)  # 低阈值50，高阈值150

cv2.imshow('Canny', edges)
cv2.waitKey(0)

参数调优经验：

  • 低阈值：一般设为高阈值的 1/2 到 1/3。
  • 高阈值：根据图像对比度来调。对比度高，高阈值可以设大一点。
  • 我常用的套路：先用 50/150 试，如果边缘太多（噪声多），提高高阈值；如果边缘太少（漏检），降低低阈值。

避坑指南：我曾经在一个项目中，Canny 死活检测不到一条很明显的边缘。后来发现——那条边缘的灰度变化是“缓慢渐变”的，不是“突变”。Canny 对这种渐变边缘不敏感。解决办法：先做一次直方图均衡化，增强对比度。

4.3 图像二值化

二值化，就是把图像变成“黑白分明”的样子。工业视觉里，二值化是形态学操作和边缘检测的“前置条件”。

4.3.1 全局阈值二值化

最简单的方法：设定一个阈值 T，大于 T 的变成白色，小于 T 的变成黑色。

// C++ 示例：全局阈值二值化
cv::Mat src = cv::imread("part.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat binary;

cv::threshold(src, binary, 128, 255, cv::THRESH_BINARY);

cv::imshow("Binary", binary);

但问题来了——如果光照不均匀，全局阈值就废了。比如产品左边亮右边暗，同一个阈值不可能同时适用。

4.3.2 自适应阈值二值化

自适应阈值，说白了就是“每个像素用自己周围的局部区域算一个阈值”。这样光照不均匀的问题就解决了。

我个人非常推荐在工业现场用自适应阈值。尤其是那些反光、阴影多的场景。

# Python 示例：自适应阈值二值化
import cv2

img = cv2.imread('uneven_light.jpg', 0)
binary = cv2.adaptiveThreshold(img, 255, 
                               cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                               cv2.THRESH_BINARY, 11, 2)

cv2.imshow('Adaptive Binary', binary)
cv2.waitKey(0)

参数说明：

  • blockSize：局部区域的大小，必须是奇数。一般 11 或 15 起步。
  • C：从局部均值中减去的常数。C 越大，二值化结果越“黑”。

4.3.3 Otsu 二值化

Otsu 是一种自动寻找最佳阈值的方法。它假设图像直方图是“双峰”的——一个峰是背景，一个峰是前景。Otsu 会找到两个峰之间的“谷底”作为阈值。

我遇到过很多次这种情况：产品背景和前景的灰度分布很清晰，但手动调阈值太麻烦。Otsu 一上，自动搞定。

// C++ 示例：Otsu 二值化
cv::Mat src = cv::imread("bimodal.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat binary;

cv::threshold(src, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);

cv::imshow("Otsu Binary", binary);

避坑指南：Otsu 不是万能的。如果直方图不是双峰（比如三个峰或者单峰），Otsu 的结果会很糟糕。我曾经在一个零件检测项目里用 Otsu，结果把零件和背景完全搞反了。后来一看直方图——三个峰，Otsu 根本找不到正确的谷底。

4.4 实战组合拳

在实际项目中，这几个操作往往是组合使用的。我分享一个常用的流程：

  1. 灰度化：彩色图转灰度。
  2. 高斯滤波：去噪。
  3. 自适应二值化：得到干净的二值图。
  4. 开运算：去掉小白点噪声。
  5. Canny 边缘检测：提取轮廓。

这个流程我用了很多年，在大多数工业场景下都管用。当然，具体参数要根据你的产品来调。没有万能参数，只有不断试错。

最后说一句：图像预处理不是“一步到位”的事。我一般会先跑一遍流程，看看效果，然后回头调参数。调两三次，基本就能稳定了。别指望一次成功，那是不可能的。

好，这一节就到这里。下一节我们讲特征提取——从图像里“挖”出有用的信息。到时候见。

← 上一章 📖 返回目录 下一章 →