### 使用 C++ 和 OpenCV 实现瑕疵检测的解决方案 #### 图像读取与预处理 在 C++ 中，可以使用 OpenCV 提供的功能来加载图像并对其进行必要的预处理。这些步骤包括将彩色图像转换为灰度图像、应用高斯模糊以减少噪声以及增强对比度以便更好地识别潜在的瑕疵[^2]。 ```cpp #include <opencv2/opencv.hpp> #include <iostream> int main() { // 加载原始图像 cv::Mat src = cv::imread("image.jpg"); if (src.empty()) { std::cout << "Could not open or find the image!" << std::endl; return -1; } // 转换为灰度图像 cv::Mat gray; cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); // 高斯模糊去噪 cv::Mat blurred; cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0); // 对比度增强 cv::Mat equalized; cv::equalizeHist(blurred, equalized); } ``` --- #### 图像分割与二值化 为了突出可能存在的瑕疵部分，需要对图像进行分割。这里采用 Otsu 方法来自动生成最优阈值，并将其应用于图像以创建二值化的掩模[^3]。 ```cpp // Otsu 自动阈值分割 cv::Mat binary; cv::threshold(equalized, binary, 0, 255, cv::THRESH_BINARY_INV + cv::THRESH_OTSU); ``` --- #### 形态学操作去除噪声 形态学操作如开运算有助于移除小规模的干扰项或闭合断裂的目标边缘。此过程能显著提高后续分析的质量[^3]。 ```cpp // 定义结构元素 cv::Mat se = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)); // 应用开运算 cv::Mat cleaned; cv::morphologyEx(binary, cleaned, cv::MORPH_OPEN, se); ``` --- #### 特征提取与缺陷定位 一旦获得了干净的二值化图像，则可通过查找轮廓的方式定位疑似存在瑕疵的位置。通过筛选符合条件（例如面积大于一定数值）的轮廓框定可疑区域[^1]。 ```cpp // 查找轮廓 std::vector<std::vector<cv::Point>> contours; cv::findContours(cleaned.clone(), contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); // 绘制轮廓 cv::Mat result = src.clone(); for (const auto& contour : contours) { double area = cv::contourArea(contour); if (area > 100) { // 过滤掉较小的区域 cv::Rect boundingBox = cv::boundingRect(contour); cv::rectangle(result, boundingBox, cv::Scalar(0, 0, 255), 2); } } // 显示结果 cv::imshow("Defect Detection Result", result); cv::waitKey(0); return 0; ``` --- #### 整体代码示例 以下是完整的 C++ 程序示例： ```cpp #include <opencv2/opencv.hpp> #include <iostream> int main() { // 加载原始图像 cv::Mat src = cv::imread("image.jpg"); if (src.empty()) { std::cout << "Could not open or find the image!" << std::endl; return -1; } // 转换为灰度图像 cv::Mat gray; cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY); // 高斯模糊去噪 cv::Mat blurred; cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0); // 对比度增强 cv::Mat equalized; cv::equalizeHist(blurred, equalized); // Otsu 自动阈值分割 cv::Mat binary; cv::threshold(equalized, binary, 0, 255, cv::THRESH_BINARY_INV + cv::THRESH_OTSU); // 定义结构元素 cv::Mat se = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)); // 应用开运算 cv::Mat cleaned; cv::morphologyEx(binary, cleaned, cv::MORPH_OPEN, se); // 查找轮廓 std::vector<std::vector<cv::Point>> contours; cv::findContours(cleaned.clone(), contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); // 绘制轮廓 cv::Mat result = src.clone(); for (const auto& contour : contours) { double area = cv::contourArea(contour); if (area > 100) { // 过滤掉较小的区域 cv::Rect boundingBox = cv::boundingRect(contour); cv::rectangle(result, boundingBox, cv::Scalar(0, 0, 255), 2); } } // 显示结果 cv::imshow("Defect Detection Result", result); cv::waitKey(0); return 0; } ``` --- ### 总结 上述程序提供了一个基础框架，用于利用 C++ 和 OpenCV 执行简单的瑕疵检测任务。尽管如此，在实际生产环境中，可能还需要更复杂的算法组合以及参数调优才能达到理想的效果。