如何对图像明暗区域进行归一化处理以实现纺织品缺陷检测

针对你遇到的全局直方图均衡无法解决明暗混杂的问题，以下是经过工业缺陷检测场景验证的可行处理方案：

传统图像处理类方法 #

• CLAHE（限制对比度自适应直方图均衡）：先将图像转换到LAB颜色空间，仅对L亮度通道做处理，块大小设置为纺织品纹理最小重复单元的2-3倍，对比度限制阈值调整为0.01-0.03，处理完成后再合并A、B通道还原彩色信息，可避免全局直方图均衡带来的噪声放大、纹理畸变问题。
• 同态滤波：通过频域处理分离光照低频分量和纹理/缺陷高频分量，压制大范围光照渐变影响，保留局部缺陷特征，可选用高斯高通滤波器，截止频率设为0.1-0.2，高频增益1.5-2、低频增益0.5-0.8，对大面积明暗渐变的场景适配性极强。
• 大核滤波差分法：选用尺寸远大于最大缺陷尺寸的均值/高斯滤波核（参考值51x51，可按图像分辨率等比调整）对原图做模糊得到光照估计图，用原图除以光照估计图即可得到光照归一化结果，实现逻辑简单，对工业场景的均匀光照偏移校正效果优异。

工业场景专用优化方法 #

• 标准模板差分校正：如果可以获取同批次无缺陷的标准纺织品图像，可直接将待检测图与标准模板做逐点亮度匹配校正，既能完成光照归一化，还能通过差分直接锁定候选缺陷区域，适配量产线的固定品类检测场景。
• MSRCR（带色彩恢复的多尺度Retinex）：多尺度估计光照分量，在压制局部明暗差异的同时保留缺陷的边缘、色彩特征，不会抹除微小缺陷的对比度，处理后的结果非常适配后续的缺陷分割、分类任务。

后续检测适配建议 #

• 归一化后可追加3x3高斯模糊去噪，避免校正过程中产生的伪噪声被误判为缺陷。
• 若后续采用深度学习检测方案，可将上述多种归一化方法的处理结果作为多通道输入，通常可提升10%以上的检测精度。
• 无需过度追求全局亮度完全统一，只需保证同类缺陷在不同亮度区域的特征一致性即可，过度校正反而会丢失低对比度的微小缺陷特征。

内容的提问来源于stack exchange，提问作者Saqib Shakeel