2.1-2.3 总结
我们深入研究了图像预处理的应用，认识到图像预处理对图像分析结果和特征提取的质量具有重要影响。当我们采集图像时，常常受到不确定因素的干扰，导致图像模糊、光照不足和噪声等问题。图像预处理可以显著减弱这些不良影响，从而提高计算机视觉效果。
我们学习了多种图像预处理方法，包括光照校正、自适应直方图均衡化、模糊、滤波、去噪、边缘增强、阈值化、形态学等等。其中，自适应直方图均衡化给我留下深刻印象，因为它有效地提高了图像的对比度，对我们目前进行的轮胎螺母孔定位工作非常有帮助。它能够清晰地突显出螺母孔的边缘，通过描述图像的灰度分布，直观展示了各个灰度级的像素数量。图像的灰度直方图是一个函数，描述了不同灰度级在图像中的像素数量。这种方法特别适用于亮度过于集中、曝光度高的区域。
二值化是图像处理的基础，早期计算机图像处理是在将图像灰度化后进行的，但由于当时的硬件性能有限，处理速度较慢，因此引入了图像二值化处理。这种处理将原本的颜色范围从256种减少到2种，提高了计算速度，但也丢失了信息。因此，具体的处理方法需要根据特定情况进行选择。
滤波和去噪对我们的项目也非常重要，因为噪声是图像干扰的主要原因。一些常见的去噪和滤波方法包括高斯滤波、中值滤波、排序滤波、同态滤波、平滑滤波和截断滤波等。平滑滤波通过对附近数据的平均值或加权平均值来减少噪声影响，而中值滤波则是通过选择附近数据的中值来去除噪声数据。截断滤波则是删除或替换超过设定门限值的数据。这些方法简单易用，但对信号的连续性要求较高，可能导致信号失真和平滑效果不佳。在我们的项目中，我们使用了霍夫圆变换，它对图像的噪声非常敏感，但在经过滤波操作后，FP显著减少。
以下两图为去噪前后分别进行的霍夫变换检测：
图一
图二
图一为未去噪的图像，它的精度远不如图二去噪后进行变换的图像。可以明显看出，去噪能减少或消除对数据分析结果的干扰，大大提高计算机视觉能力。
去噪的目标是在不改变基本图像情况的前提下去除噪声，因此，如何在不丢失或仅丢失少量图像细节的情况下完美去除图像噪声是计算机视觉的关键任务之一
形态学处理方法也在图像处理中起到重要作用，它主要通过腐蚀和膨胀的组合运用来改善或改变图像的形状。形态学的示例包括目标区域边界的消除、毛刺的去除以及一般线条和边界的平滑。对于古文字识别等应用，形态学方法表现出色。下面是一个效果图：
形态学之间的运算大致分为几种：开运算，闭运算。开运算用来消除小物体，在纤细处分离物体以及平滑较大物体的边界同时并不明显改变其面积，实现方式是先腐蚀后膨胀。闭运算用来填充物体内细小空洞，连接邻近物体以及平滑其边界的同时并不明显改变其面积实现方式是先膨胀后腐蚀。
