引言：从光照不均中分离细微特征

在工业视觉检测中，工件表面常因材质反光、光源分布不均或结构起伏产生复杂的亮度渐变背景。这种"浓淡"变化会严重干扰对污点、划痕等微小缺陷的识别。为解决该问题，某些高端视觉系统（如基恩士）提供了名为"浓淡补正"的预处理功能，其核心目标是抑制缓慢变化的背景信息，突出局部对比度剧烈变动的区域。 虽然官方未公开其实现细节，但从效果分析，该方法本质上是一种非线性背景建模与差分增强策略，可通过标准图像处理算子进行近似复现。

一、形态学开操作实现背景估计

考虑如下场景：需从带有明暗过渡的网格背景中提取黑色斑点和细线。直接使用全局阈值分割难以奏效，因为局部灰度值受背景调制显著。 一种有效的替代方案是利用灰度形态学中的开运算来估计并去除背景：

read_image (Image, 'grid_background.png')
rgb1_to_gray (Image, GrayImage)

* 构建结构元素：尺寸应略大于待检缺陷
gen_structuring_element_rect (SE, 'byte', 11, 11)  // 使用矩形结构

* 开运算：先膨胀后腐蚀，用于平滑亮区并保留整体趋势
gray_dilation (GrayImage, SE, ImageDilated)
gray_erosion (ImageDilated, SE, BackgroundEstimate)

* 差分增强：用估计背景减去原图，突出暗缺陷
sub_image (BackgroundEstimate, GrayImage, DiffImage, 1, 120)

原理剖析：

• 灰度膨胀使高亮区域向外扩展，覆盖掉较小的暗特征（如黑点、细线）；
• 灰度腐蚀则收缩这些被放大的亮区，恢复大致轮廓，但已被填充的暗区无法还原；
• 图像相减后，原图中存在的暗缺陷将以正值形式显现，而均匀背景趋于零。

最终结果可有效凸显边长约为5像素的小黑点及狭长裂纹。

关键参数设计建议

1. 结构元素形状：通常选用方形或圆形，以匹配多数缺陷形态；
2. 尺寸选择：必须大于目标缺陷的最大跨度（例如，检测5×5像素黑点时，至少采用6×6结构）；
3. 差分偏移量：设置适当增益值防止负值截断，提升对比度。

若需提取亮色缺陷（如白色脏污），只需将膨胀与腐蚀顺序颠倒，构造闭运算即可：

* 提取亮缺陷：先腐蚀再膨胀
gray_erosion (GrayImage, SE, ImageEroded)
gray_dilation (ImageEroded, SE, BackgroundEstimate)
sub_image (GrayImage, BackgroundEstimate, DiffImage, 1, 120)

二、实际应用场景验证

1. 光照倾斜下的暗斑检测

面对存在明显明暗梯度的实际图像，调整结构为19×19进行处理，并对输出图像做阈值分割： 结果显示，即便在强烈光照偏移下，微小瑕疵仍能被准确捕获。

2. 手写文档阴影去除

对于含有重影的手写笔记图像，采用较小结构元素（7×7）执行相同流程，但差分方向反转：

sub_image (GrayImage, BackgroundEstimate, DiffImage, 1, 110)
invert_image (DiffImage, InvertedResult)
scale_image_max (InvertedResult, EnhancedOutput)

经处理后，文字清晰可见，背景阴影被大幅削弱，适合后续OCR识别。

3. 低对比度字符提取

针对产品标识图像中模糊字符，结合前期粗略阈值观察，设定合适参数进行增强：

threshold (GrayImage, InitialRegion, 150, 200)        // 原始图难分割
...
threshold (DiffImage, FinalRegion, 140, 200)           // 处理后易分割

可见原本淹没于噪声中的字符边缘得以显现。

三、与动态阈值法的比较分析

另一种常见思路是局部自适应阈值，即通过计算邻域均值构建参考图，再依据偏差判定前景：

mean_image (GrayImage, LocalMean, 15, 15)
dyn_threshold (GrayImage, LocalMean, Region, 20, 'dark')

此方法也能有效提取黑点与线条，但存在一个典型问题：图像边界处常出现误检，因其灰度跳变也被视为"显著差异"。此外，在极端光照不均条件下，其稳定性略逊于前述形态学方法。 然而，当处理超大图像（如千万级像素）时，dyn_threshold因算法优化较好，运行速度更快，具备实时性优势。

四、DoG滤波器作为替代方案

差分高斯（Difference of Gaussians, DoG）是一种模拟生物视觉机制的带通滤波技术，可用于增强中尺度特征：

diff_of_gauss (GrayImage, Filtered, 2.0, 1.2)
threshold (Filtered, Features, 2, 9)

该方法先对图像施加两个不同σ值的高斯模糊，再求差，从而抑制低频背景与高频噪声，突出中间频段的边缘与斑点。实验表明，其在字符提取任务中表现良好，尤其适用于纹理较弱的目标。

五、性能优化相关算子对比

Halcon提供多种灰度形态学实现方式，性能差异如下（基于9×9窗口测试）：

• gray_erosion_rect（矩形）：约28.2ms —— 最快
• gray_erosion_shape(..., 'rectangle')：28.1ms
• gray_erosion（圆形模板）：35ms
• octagon八角形：39ms
• rhombus菱形：45ms —— 最慢

推荐优先使用 _rect 或指定 'rectangle' 形状以获得最佳效率。

总结适用范围

上述方法特别适用于以下场景：

• 背景存在缓慢亮度变化；
• 待检测特征尺寸远小于结构元素；
• 目标为细小污渍、裂纹、字符等具有强局部对比度的对象。

合理选择结构元素大小与类型，配合差分与阈值操作，可在复杂环境下稳定提取微弱信号。