工业图像预处理核心是为缺陷显形做光学补偿，需严格按光照校正→噪声抑制→边缘强化三步执行，且参数须依材质（金属/塑料）和硬件（光源波长、偏振片）动态适配。
预处理不是“加滤镜”，而是为缺陷显形做光学补偿
工业图像预处理的核心目的不是让图“好看”，而是把缺陷从背景干扰中物理性地“抠”出来。很多初学者直接套用cv2.GaussianBlur + cv2.Canny就跑，结果在金属反光或塑料低对比表面完全失效——因为没考虑光照不均、材质反射特性、传感器噪声分布这些物理层问题。
必须分三步走：光照校正 → 噪声抑制 → 边缘强化
这三步顺序不能颠倒，否则会放大伪影。比如先做边缘检测再校正光照，Canny会把光照渐变误判为边缘；先去噪再校正，又可能抹掉真实缺陷的微弱梯度。
-
光照校正：不用全局直方图均衡（
cv2.equalizeHist），它会加剧高光区域过曝。改用基于Retinex的单尺度Retinex（SSR）或MSR，OpenCV-contrib里有cv2.createCLAHE配合局部归一化，但需限制clipLimit≤2.0，否则增强纹理噪声 -
噪声抑制：高斯核大小必须与图像分辨率匹配。500万像素图像用
(5,5)核会欠滤波，推荐按公式计算：kernel_size = max(3, int(np.sqrt(image.shape[0] * image.shape[1]) / 1000)) * 2 + 1，且必须用cv2.GaussianBlur而非cv2.blur，后者无法抑制高频噪声 -
边缘强化：不用
cv2.Sobel单独输出，而要用拉普拉斯锐化叠加原图：sharpened = cv2.addWeighted(gray, 1.5, laplacian, -0.5, 0)。系数1.5和-0.5是实测安全值，调高易放大噪声
不同材质的参数陷阱：金属 vs 塑料
同一套代码跑在不锈钢件和ABS外壳上，效果天壤之别。关键差异不在算法，而在参数选择逻辑：
Secure Python Code Sandbox
下载
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
-
金属高反光件：重点压反光，
cv2.createCLAHE(clipLimit=1.8, tileGridSize=(8,8))+cv2.GaussianBlur((15,15), 0)。Sobel算子尺寸用5，太大则把反光边缘误判为缺陷 -
亚光塑料件：重点提弱对比，
clipLimit=3.0+cv2.GaussianBlur((25,25), 0)。Sobel尺寸用7，否则细裂纹检不出。腐蚀核必须用(13,13)，小了无法连通断裂划痕 -
混合材质产线：不能靠if-else切换，得用图像局部方差自动判断——计算ROI内标准差，
std 走塑料参数，<code>>25走金属参数，中间值插值过渡
最容易被忽略的硬件耦合点
所有预处理效果都依赖前端成像质量。如果相机没配偏振片，金属件90%的“伪缺陷”来自镜面反射，再强的算法也白搭；如果LED光源波长偏离625nm（红光），对划痕的几何阴影敏感度下降40%以上。实测发现，仅调整光源波长从520nm（绿）换到625nm（红），cv2.Canny的阈值就可以从(50,150)放宽到(20,80)，漏检率直降3个百分点。
立即学习“Python免费学习笔记（深入）”；
