——图像信息预处理优化（2）

（接上篇）

三、阈值分割——分离前景，突出缺陷区域

阈值分割的核心目的是将图像分为前景（缺陷区域）和背景（正常区域），突出缺陷特征，为后续的特征提取奠定基础。从算法工程师的视角来看，阈值分割的关键是“找到合适的阈值，实现缺陷区域与背景区域的精准分离”，避免出现“漏分割”（缺陷未被分割出来）或“误分割”（背景被误判为缺陷）。

AI智能体视觉检测系统（TVA）支持自动阈值分割和手动阈值分割两种方式，初级技术人员需根据图像的灰度分布选择合适的方式，核心参数及优化技巧如下：

1. 自动阈值分割：适合背景相对单一、灰度分布均匀的场景（如纯色包装的划痕检测、透明玻璃的缺陷检测）。系统会自动计算合适的阈值（常用算法包括Otsu算法、最大熵算法），将前景和背景分离，无需人工调整参数。其中，Otsu算法适合灰度双峰分布的图像（即前景和背景的灰度差异明显），最大熵算法适合灰度分布复杂的图像。

初级技术人员的实操技巧：自动阈值分割后，需查看分割后的图像，确认缺陷区域是否被完整分割，背景是否被有效去除；若分割效果不佳（如缺陷未被完整分割、背景被误分割），可切换为手动阈值分割；若图像灰度分布不均匀，可先进行图像增强，再进行自动阈值分割。

2. 手动阈值分割：适合背景复杂、灰度分布不均匀的场景（如金属零件的表面纹理、PCB板的复杂线路）。核心参数是“阈值大小”，初级技术人员可手动调整阈值大小，确保缺陷区域被完整分割，同时避免背景区域被误判为缺陷。

实操技巧：手动调整阈值时，可实时查看分割后的图像，当缺陷区域全部显示为前景（如白色），背景区域全部显示为背景（如黑色），且无明显误分割时，即为合适的阈值；若存在部分缺陷未被分割，可适当降低阈值；若存在背景区域被误分割，可适当提高阈值；对于灰度分布不均匀的图像，可使用“自适应阈值分割”（TVA系统支持该功能），根据图像不同区域的灰度分布，自动调整阈值，实现精准分割。

算法工程师的重点提醒：阈值分割后，若缺陷区域存在断裂、不完整的情况，可进行“形态学处理”（如膨胀、腐蚀），膨胀能够填补缺陷区域的断裂，腐蚀能够去除背景中的小噪声点；AI智能体视觉检测系统（TVA）支持自动形态学处理，初级技术人员可根据分割效果，选择是否开启该功能，开启后需调整膨胀、腐蚀的核大小，避免过度膨胀或腐蚀导致缺陷变形。

四、图像增强——提升对比度，突出缺陷细节。

图像增强的核心目的是提升图像的对比度，突出缺陷细节，使特征提取更精准，适合缺陷与背景的灰度差异较小、缺陷细节不明显的场景（如微小划痕、轻微虚焊）。从算法工程师的视角来看，图像增强的关键是“提升缺陷与背景的对比度，同时不放大噪声”，避免因增强过度导致噪声放大，影响缺陷识别。

AI智能体视觉检测系统（TVA）中常用的图像增强方法包括直方图均衡化、对比度拉伸、边缘增强，三种方法的适用场景和参数调整技巧不同，初级技术人员需根据缺陷特点选择合适的方法，具体如下：

1. 直方图均衡化：通过调整图像的灰度分布，使图像的灰度值均匀分布，提升图像的整体对比度，适合灰度分布集中的图像（如光线较暗的图像、缺陷与背景灰度差异小的图像）。该方法无需调整过多参数，系统会自动完成均衡化处理，但初级技术人员需注意：

（1）若图像中存在少量噪声，直方图均衡化后，噪声会被放大，因此需先进行去噪处理，再进行均衡化；（2）若图像的灰度分布本身较为均匀，无需进行直方图均衡化，否则会导致图像失真，缺陷特征丢失；（3）均衡化后，需检查缺陷细节是否突出，若出现过度增强的情况，可调整增强强度（TVA系统支持调整均衡化强度）。

2. 对比度拉伸：通过调整图像的灰度范围，扩大缺陷区域与背景区域的灰度差异，适合缺陷细节不明显的场景（如微小裂纹、轻微色差）。核心参数是“拉伸范围”，初级技术人员可手动调整灰度的最小值和最大值，将缺陷区域的灰度范围拉伸至更明显的区间。

实操技巧：例如，某金属零件的划痕缺陷，灰度值范围为100-150，背景灰度值范围为120-180，两者差异较小，可将灰度最小值调整为80，最大值调整为200，将划痕缺陷的灰度范围拉伸至80-150，背景灰度范围拉伸至120-200，使两者的灰度差异更大，缺陷更清晰；拉伸时，需避免过度拉伸，导致图像出现过曝或欠曝，缺陷细节丢失。

3. 边缘增强：通过增强图像的边缘细节，突出缺陷的轮廓（如划痕的边缘、裂纹的轮廓），适合缺陷轮廓不清晰的场景（如模糊的虚焊痕迹、细微的毛刺）。AI智能体视觉检测系统（TVA）支持多种边缘增强算法（如Sobel算法、Canny算法），初级技术人员可根据缺陷类型选择合适的算法：

（1）Sobel算法：适合边缘较粗的缺陷（如金属零件的明显划痕、PCB板的线路断裂），增强后边缘清晰，操作简单，无需调整过多参数；（2）Canny算法：适合边缘较细的微小缺陷（如0.1mm以下的裂纹、轻微虚焊），能够精准提取缺陷的边缘，减少噪声干扰，但需调整“阈值1”和“阈值2”两个参数，阈值1控制边缘检测的灵敏度，阈值2控制边缘连接的强度，建议阈值1设置为50-100，阈值2设置为150-200，根据图像实际情况调整。

算法工程师的实操技巧：图像增强的顺序很重要，建议遵循“去噪→增强→阈值分割”的顺序，避免先增强再去噪，导致噪声被放大；对于微小缺陷检测，建议先进行双边滤波去噪，再进行边缘增强，最后进行阈值分割，确保缺陷细节突出、背景干扰被去除。