4、图像预处理容错：噪声模型与滤波、光照不均校正、图像增强的鲁棒性、异常图像检测与剔除

图像预处理，说白了就是视觉系统的「第一道防线」。

我做了这么多年视觉系统，见过太多因为预处理没做好，导致后面算法全崩的案例。你想想看，如果输入图像本身就有问题，再牛的深度学习模型也白搭。

这一章，咱们就聊聊预处理阶段的容错设计。核心就四个字：扛得住脏，稳得住场。

4.1 噪声模型与滤波：先搞清楚敌人长什么样

很多人一上来就滤波，其实不对。你得先知道噪声是什么类型，才能对症下药。

4.1.1 常见噪声模型

我在项目中遇到过三种最常见的噪声：

• 高斯噪声：传感器热噪声、光照波动。说白了就是每个像素上叠加一个随机值，服从正态分布。
• 椒盐噪声：传输错误、传感器坏点。图像上随机出现白点或黑点，像撒了盐和胡椒。
• 泊松噪声：低光照条件下，光子计数的不确定性。这个在工业暗场检测中特别常见。

4.1.2 滤波器的容错选择

我个人的习惯是：

• 高斯滤波：对付高斯噪声，效果好。但会模糊边缘，不适合需要细节的场景。
• 中值滤波：对付椒盐噪声，效果极佳。边缘保留能力比高斯强。我曾在一条产线上，用中值滤波把坏点率从5%降到了0.3%。
• 双边滤波：既能去噪又能保边。但计算量大，实时系统慎用。

4.2 光照不均校正：别让光线毁了你的算法

光照不均是工业视觉的头号杀手。你想想看，同一个工件，早上拍和下午拍，亮度差了一倍，阈值分割的结果能一样吗？

4.2.1 为什么光照不均是容错难点？

因为光照不均不是噪声，它是系统性的偏差。噪声是随机的，滤波能压住。光照不均是全局的，滤波没用。

我记得有一次，客户反馈说检测算法时好时坏。我过去一看，发现是车间顶灯坏了，导致光照方向变了。嗯，这就是典型的「环境变化导致算法失效」。

4.2.2 常用校正方法

方法	原理	适用场景	容错性
直方图均衡化	拉伸灰度分布	整体偏暗或偏亮	中等
自适应直方图均衡化（CLAHE）	分块均衡，限制对比度	局部光照不均	高
同态滤波	分离光照和反射分量	光照缓慢变化	较高
背景建模法	估计背景光照分布	固定场景	高（需标定）

4.3 图像增强的鲁棒性：别把噪声也「增强」了

图像增强的目的是让特征更明显。但有个问题：增强的同时，噪声也会被放大。

我见过有人用拉普拉斯算子做锐化，结果把传感器坏点锐化成了「假缺陷」，导致误检率飙升。

4.3.1 鲁棒增强的原则

• 先降噪，后增强：这是铁律。我习惯先做一次轻度中值滤波，再做增强。
• 避免全局增强：全局增强会放大局部噪声。用自适应方法更好。
• 限制增益：在增强算法中，设置最大增益阈值。比如CLAHE的clip limit，就是防止过度增强。

4.4 异常图像检测与剔除：把坏图挡在门外

这是预处理容错的最后一道关。如果图像本身是坏的，就别让后面的算法白费力气。

4.4.1 哪些图像算「异常」？

• 全黑/全白图像：传感器故障、镜头盖没打开。
• 过曝/欠曝图像：光照突变或曝光参数错误。
• 模糊图像：运动模糊、对焦不准。
• 条纹/坏线图像：传感器行或列损坏。

4.4.2 检测方法

我常用的方法很简单：

1. 灰度统计法：计算图像均值、方差。如果均值接近0或255，直接剔除。
2. 梯度检测法：计算图像梯度幅值。如果梯度均值过低，说明图像模糊。
3. 频域检测法：做FFT，看高频分量是否异常。条纹噪声会在频域出现明显峰值。

4.4.3 剔除策略

检测到异常图像后，不要直接丢弃。我建议：

• 记录日志：保存异常图像和检测指标，方便后续分析。
• 触发重采：如果是实时系统，可以触发相机重新采集。
• 报警机制：如果连续多帧异常，说明硬件可能出问题了，需要报警。

嗯，这一章就到这里。下一章咱们聊聊特征提取阶段的容错设计，那又是另一番天地了。