VisionPro 中图像预处理工具

[一. 图片预处理参数详解](#一. 图片预处理参数详解)
- [1. 灰度变换](#1. 灰度变换)
- - [1.1 加减常量 (AddConstant / SubtractConstant) --- 对每个像素增加或减少一个固定数值，调整整体亮度。](#1.1 加减常量 (AddConstant / SubtractConstant) — 对每个像素增加或减少一个固定数值，调整整体亮度。)
  - [1.2 灰度反转 (Invert) --- 将像素灰度值取反（黑变白，白变黑）。](#1.2 灰度反转 (Invert) — 将像素灰度值取反（黑变白，白变黑）。)
  - [1.3 像素映射 (PixelMap) --- 通过查找表（LUT）自定义灰度映射关系，实现对比度拉伸等效果。](#1.3 像素映射 (PixelMap) — 通过查找表（LUT）自定义灰度映射关系，实现对比度拉伸等效果。)
- [2. 几何变换](#2. 几何变换)
- - [2.1 缩放 (Scale) --- 改变图像的尺寸（放大或缩小），也可称为"扩展"。](#2.1 缩放 (Scale) — 改变图像的尺寸（放大或缩小），也可称为“扩展”。)
  - [2.2 仿射变换 (Affine) --- 包括旋转、平移、倾斜、镜像等线性变换。](#2.2 仿射变换 (Affine) — 包括旋转、平移、倾斜、镜像等线性变换。)
  - [2.3 极坐标转换 (Polar) --- 在直角坐标与极坐标之间转换图像，常用于圆形检测。](#2.3 极坐标转换 (Polar) — 在直角坐标与极坐标之间转换图像，常用于圆形检测。)
  - [2.4 高斯采样 (GaussianSampling) --- 使用高斯金字塔进行降采样，用于多尺度分析。](#2.4 高斯采样 (GaussianSampling) — 使用高斯金字塔进行降采样，用于多尺度分析。)
- [3. 滤波](#3. 滤波)
- - [3.1 卷积 (Convolution) --- 使用自定义卷积核进行线性滤波，可实现锐化、模糊、边缘检测等。](#3.1 卷积 (Convolution) — 使用自定义卷积核进行线性滤波，可实现锐化、模糊、边缘检测等。)
- 在这里插入图片描述
- - [3.2 图像滤波工具 (Filter) --- 内置的预设滤波器，包括：高通滤波、低通滤波、中值滤波、高斯滤波等。](#3.2 图像滤波工具 (Filter) — 内置的预设滤波器，包括：高通滤波、低通滤波、中值滤波、高斯滤波等。)
- [4. 形态学处理](#4. 形态学处理)
- - [4.1 形态学 (Morphology) --- 腐蚀、膨胀、开运算、闭运算等，用于二值图像或灰度图像的形状处理。](#4.1 形态学 (Morphology) — 腐蚀、膨胀、开运算、闭运算等，用于二值图像或灰度图像的形状处理。)
- [5. 图像间运算](#5. 图像间运算)
- - [5.1 图像加减 (Add / Subtract) --- 两张图像之间逐像素相加或相减。](#5.1 图像加减 (Add / Subtract) — 两张图像之间逐像素相加或相减。)
- [6. 对比度增强](#6. 对比度增强)
- - [6.1 直方图均衡化 (Equalize) --- 自动拉伸直方图，增强全局对比度。](#6.1 直方图均衡化 (Equalize) — 自动拉伸直方图，增强全局对比度。)
- [7 质量评估](#7 质量评估)
- - [7.1 锐度工具 (Sharpness) --- 计算图像的清晰度分数，不改变图像内容；用于自动对焦或图像质量判断。](#7.1 锐度工具 (Sharpness) — 计算图像的清晰度分数，不改变图像内容；用于自动对焦或图像质量判断。)
[二、CogImageConvertTool 图像格式转换工具](#二、CogImageConvertTool 图像格式转换工具)
[三、CogIPOneImageTool 多功能图像预处理工具](#三、CogIPOneImageTool 多功能图像预处理工具)
- [1. 概述](#1. 概述)
- [2. 核心功能](#2. 核心功能)
- - [2.1 基础灰度运算类](#2.1 基础灰度运算类)
  - [2.2 卷与滤波类（核心去噪 + 特征增强）](#2.2 卷与滤波类（核心去噪 + 特征增强）)
  - [2.3 形态学处理类](#2.3 形态学处理类)
  - [2.4 几何与重采样类](#2.4 几何与重采样类)
  - [2.5 其他实用功能](#2.5 其他实用功能)
- [3. 操作 CogIPOneImageTool工具](#3. 操作 CogIPOneImageTool工具)
[四、CogPixelMapTool 像素重映射工具](#四、CogPixelMapTool 像素重映射工具)
- [1. 概念](#1. 概念)
- [2. 核心功能](#2. 核心功能)
- [3. 关键参数与设置](#3. 关键参数与设置)
- 4.作用
[五、CogPolarUnwrapTool 极坐标展开工具](#五、CogPolarUnwrapTool 极坐标展开工具)
- [1. 概念](#1. 概念)
- [2. 核心功能](#2. 核心功能)
- [3. 采样模式参数说明](#3. 采样模式参数说明)
- [4. 如何使用](#4. 如何使用)
[六、CogSobelEdgeTool Sobel边缘检测工具](#六、CogSobelEdgeTool Sobel边缘检测工具)
- [1. 概念](#1. 概念)
- [2. 核心功能](#2. 核心功能)
- 3.参数说明
- [4. 三种输出图像表示](#4. 三种输出图像表示)

一. 图片预处理参数详解

这里简介各种参数概念便于理解工具中参数的作用和如何使用这些工具

1. 灰度变换

1.1 加减常量 (AddConstant / SubtractConstant) --- 对每个像素增加或减少一个固定数值，调整整体亮度。

加减常量是一种基础的点运算（像素级操作），对图像中的每一个像素值加上或减去一个固定的数值。其直接效果是整体提高或降低图像亮度，同时保持对比度不变（不考虑饱和或截断时）。

平面0代表红色®，平面1代表绿色(G)，平面2代表蓝色(B)。它们其实是彩色图像独立存储的三个颜色通道。

溢位模式 (Overflow Mode)： 溢出处理很重要，有封装和箝位可选。在大多数工业场景，建议使用箝位(Clamp)模式，能确保像素值不会溢出范围，导致图像出现反常的亮度变化

1.2 灰度反转 (Invert) --- 将像素灰度值取反（黑变白，白变黑）。

灰度反转，也叫反色或负片效果 ，就是把每个像素的亮度值颠倒过来：原来亮的变暗，暗的变亮。

用0（黑）到255（白）的灰度图来说：

原本是 0（纯黑） → 反转为 255（纯白）

原本是 255（纯白） → 反转为 0（纯黑）

原本是 100（中灰） → 反转为 155（也是中灰）
公式很简单：新值 = 255 -- 原值（如果图像是8位深度）

灰度反转 = 亮度取反，把图像的黑白颠倒过来。

信息不会丢失： 反转是严格一对一的映射，不会像加减常量那样产生饱和截断。原图细节都能保留，只是极性翻转。
彩色反转： 在 VisionPro 里处理彩色图时，如果你只想反转灰度（比如只针对亮度通道），需要先用 CogImageConvertTool 把彩色转成灰度图，再反转，否则你会得到一个彩色负片。

1.3 像素映射 (PixelMap) --- 通过查找表（LUT）自定义灰度映射关系，实现对比度拉伸等效果。

像素映射，简单说就是给每个灰度值重新翻译一遍。你把原图的灰度值（比如 0~255）看作一个坐标，通过一张对照表 (LUT) 把它映射到一个新的灰度值。这样一来，你可以自由地重新分配亮度关系。

想象你有 256 个不同的亮度等级（0=纯黑，255=纯白）。PixelMap 就像一本 翻译词典：

原图的 0 => 你想让它变成多少？比如 255（黑变白）
原图的 128 => 你想让它变成多少？比如 200（中灰提亮）
原图的 255 => 你想让它变成多少？比如 0（白变黑）

PixelMap 更强大的用法包括

效果	映射方式	作用
对比度拉伸	把输入范围 [a, b] 映射到 [0, 255]	让原本灰蒙蒙的图像（灰度集中在中间）变清晰，黑白分明
提高暗部细节	低灰度区域斜率 >1	暗区被提亮，但亮区几乎不变
压制高光	高灰度区域斜率 <1	把过亮的部分压暗，保留更多亮部纹理
二值化（阈值）	映射成只有 0 和 255 两种输出	直接生成黑白二值图
Gamma 校正	使用幂函数曲线	符合人眼感知的亮度调整

举个对比度拉伸例子

拍了一张金属零件照片，背景是深灰色（灰度值 80_{120），零件是浅灰色（160}200）。整张图对比度很低。

设置 PixelMap：

输入 80 => 输出 0（纯黑）

输入 200 => 输出 255（纯白）

中间线性映射

结果： 背景变成纯黑，零件变成纯白，边缘清晰得像黑白剪影。后续的定位或测量工具一下就能抓住零件。

2. 几何变换

2.1 缩放 (Scale) --- 改变图像的尺寸（放大或缩小），也可称为"扩展"。

就是改变图像的尺寸------可以放大（让图像变得更大更清晰吗？不，放大会变模糊）或缩小（让图像变小，细节浓缩）。

想象你有一张 500×500 像素的数码照片。
缩小： 把它改成 200×200 像素。图像变小了，文件也变小了，整体内容还在，但一些微小细节会丢失（因为很多像素被"合并"了）。
放大： 把它改成 1000×1000 像素。图像变大了，但并没有增加真正的细节，只是把原来的每个像素"撑开"，然后用算法填补中间的空缺。所以放大会变模糊，出现马赛克或锯齿。

缩放的实际用途
缩小：

把高分辨率图像（比如 500万像素）缩小后再做处理，能大幅提高运行速度（因为像素少了很多）。
去除高频噪声（缩小本身就有低通滤波效果）。
生成图像金字塔（多尺度处理）。

放大：

让微小缺陷或细小特征变得更容易被人眼观察。
放大不会增加真实信息，不要指望它能"修复"模糊图像。

2.2 仿射变换 (Affine) --- 包括旋转、平移、倾斜、镜像等线性变换。

仿射变换（Affine Transform）就是对图像进行拉、扯、扭、转 的一套线性变换，能把一个平行四边形区域映射成一个矩形的操作。在工业视觉里，它的主要作用就是摆正目标，方便后续进行测量、识别等分析。

简单调整图片尺寸（放大/缩小），用 CogIPOneImageTool 的扩展功能就够了。而当你需要把歪斜的零件扶正，进行旋转、倾斜校正时，就必须靠CogAffineTransformTool 这类专业的仿射变换工具来实现。

2.3 极坐标转换 (Polar) --- 在直角坐标与极坐标之间转换图像，常用于圆形检测。

极坐标转换是一种坐标变换方法，将图像从直角坐标系（x, y）映射到极坐标系（r, θ）：
r：到圆心的距离（半径）
θ：绕圆心的角度（0°～360°）
视觉上的效果： 把一个环形区域"切开拉直"成一个矩形。

映射关系： 在矩形图像中：水平轴（X） → 对应原图中的角度 θ（从左到右 = 0° 到 360°）。垂直轴（Y） → 对应原图中的半径 r（从上到下 = 内半径 → 外半径）

**结果：**原图中一个圆周上的点，在矩形图中变成同一水平行上的点。原图中一条径向线（从圆心向外），变成矩形图中的一列垂直的线。

常常使用CogPolarUnwrapTool极坐标展开工具进行操作

2.4 高斯采样 (GaussianSampling) --- 使用高斯金字塔进行降采样，用于多尺度分析。

高斯采样器是一个集成了模糊和缩小功能的图像预处理操作，它通过预先去除高频细节和噪声，避免了图像在后续缩小尺寸时出现锯齿或图像失真，即抗混叠。它还是构建图像金字塔结构的基础单元。

想象一下： 你有一幅巨大、满是细微噪点的油画。现在需要把它缩小到巴掌大小。如果直接缩小，画里那些细碎的噪点会挤在一起，导致小图上全是杂乱的"雪花"，关键内容反而看不清。
高斯采样做的： 在缩小前，先对画进行一次高斯模糊，把小噪点都"抹平"，使画面更柔和。然后再缩小尺寸。这样，小图看起来就是一幅干净、平滑的画，避免了噪点干扰，也没有锯齿感。

高斯采样器在执行时的核心参数包括采样步长 (SampleX, SampleY) 与平滑强度 (SmoothnessX, SmoothnessY)。

先平滑 (高斯模糊)： 输入参数平滑强度 (SmoothnessX, SmoothnessY) 实际上代表了高斯核的标准差 σ (sigma)。σ 值越大，模糊效果越强，降噪更明显，但细节损失也更大。
后采样 (降采样)： 输入参数采样步长 (SampleX, SampleY) 。采样步长表示每多少个原始像素中选取一个，值越大，最终输出的图像尺寸就越小。

3. 滤波

3.1 卷积 (Convolution) --- 使用自定义卷积核进行线性滤波，可实现锐化、模糊、边缘检测等。

卷积是一种线性滤波操作： 用一个小矩阵（卷积核）在图像上滑动，对每个位置，将核覆盖下的像素值与核系数相乘后求和，得到输出图像在该位置的像素值。

简单理解就是
拿一个模板去扫图，每个位置都做一次加权平均

模板（核）上的数字就是权重。
正权重 => 保留/增强该像素；负权重 → 削弱或产生"边缘"效果。
核的总和决定整体亮度变化：
总和 = 1 => 亮度不变（如模糊）
总和 = 0 => 提取差异（如边缘）
总和 > 1 => 整体变亮；< 1 => 整体变暗

常见卷积核及效果

类别	核（未归一化）	归一化因子	效果
均值模糊	[1,1,1; 1,1,1; 1,1,1]	1/9	局部平均，去噪但模糊
高斯模糊	[1,2,1; 2,4,2; 1,2,1]	1/16	平滑更自然，边缘保留略好
锐化	[0,-1,0; -1,5,-1; 0,-1,0]	1	增强边缘，图像更"清晰"
Sobel水平边缘	[-1,0,1; -2,0,2; -1,0,1]	无（或1）	检测垂直边缘
Sobel垂直边缘	[-1,-2,-1; 0,0,0; 1,2,1]	无（或1）	检测水平边缘
拉普拉斯边缘	[0,-1,0; -1,4,-1; 0,-1,0]	1	各向同性边缘，对噪声敏感

为什么要用"卷积"这个麻烦的方法？

因为同一个操作（滑动窗口加权求和）只要换一组数字，就能实现三种完全不同的效果。

想模糊： 填平均权重
想锐化： 填中心突出权重
想找边缘： 填正负对称权重

3.2 图像滤波工具 (Filter) --- 内置的预设滤波器，包括：高通滤波、低通滤波、中值滤波、高斯滤波等。

滤波是指通过预设或自定义的算法对图像进行平滑、去噪、锐化或边缘增强。常见的内置滤波操作有以下几类：

滤波工具	原理	效果
低通滤波（平滑/去噪）	保留图像中变化缓慢的部分（低频），抑制突变的高频噪声。	图像变模糊，噪声减少。
高通滤波（锐化/边缘增强）	提取图像中的高频成分（边缘、细节），让边缘更突出。	图像看起来更"清晰"，边缘对比度提高。
中值滤波（去椒盐噪声）	用邻域内像素的中位数替换中心像素。	强力去除孤立的黑白噪点，同时保留边缘（不模糊边缘）
高斯滤波（加权平滑）	邻域内像素按高斯分布赋权（中心权重大，越远权重越小），然后加权平均。	比普通均值模糊更自然，边缘保留略好

4. 形态学处理

4.1 形态学 (Morphology) --- 腐蚀、膨胀、开运算、闭运算等，用于二值图像或灰度图像的形状处理。

形态学是一种分析和处理图像形状的技术。

形态学有两个基本操作：膨胀和腐蚀/侵蚀。基于这两种操作，还有开运算和闭运算。

膨胀和腐蚀操作

膨胀操作将图像中的目标生长或变粗，用于扩大区域面积，连接断裂部分。

腐蚀操作则将目标收缩或变细，用于清楚噪声和细节。

两者互为逆运算，通过结构元素与图像的卷积运算实现，是形态学处理中最基本的操作。

开运算与闭运算

开运算是先腐蚀后膨胀 ，用于祛除噪声和断开联通区域，平滑目标轮廓；

闭运算是先膨胀后腐蚀 ，用于填补空洞和弥合小的断裂

这两种运算在图像处理中具有广泛的应用，能后有效的改善图像质量。

形态学操作每一个形态操作对应效果图

5. 图像间运算

5.1 图像加减 (Add / Subtract) --- 两张图像之间逐像素相加或相减。

图像加减的本质是像素级算术运算。对于两张尺寸完全相同的灰度图 A（尺寸为 MxN）和 B，它们之间的加法与减法运算可以精确定义为一张新图 C 的形成过程。

图像加法 (Addition) C(x, y) = A(x, y) + B(x, y)
图像减法 (Subtraction) C(x, y) = A(x, y) - B(x, y)，

溢出规则: 如果结果 < 0，则 C(x, y) = 0 ；结果 > 255，则 C(x, y) = 255。

VisionPro中图像加减操作通过两个不同的工具实现 CogIPTwoImageAddTool 和CogIPTwoImageSubtractTool 工具通常使用CogImageFileTool等工具加载图片来提供输入。

特性	CogIPTwoImageAddTool	CogIPTwoImageSubtractTool
核心功能	执行图像加法 (A + B)	执行图像减法 (A - B)
核心应用	图像融合、多帧降噪	缺陷检测、变化检测
关键配置	输入A (InputImageA)、输入B (InputImageB)、像素溢出模式（Pixel Overflow Mode）	输入A (InputImageA)、输入B (InputImageB)、像素溢出模式（Pixel Overflow Mode）
预处理项	可为每张输入图像定义独立的兴趣区域（ROI, Region of Interest）和对齐方式（Alignment）	可为每张输入图像定义独立的兴趣区域（ROI, Region of Interest）和对齐方式（Alignment）

图像加法主要用于融合信息或降噪，而图像减法主要用于突显差异。

6. 对比度增强

6.1 直方图均衡化 (Equalize) --- 自动拉伸直方图，增强全局对比度。

直方图均衡化是一种自动增强图像全局对比度的点运算。它通过重新映射像素灰度值，使输出图像的直方图尽可能均匀分布在 0~255 整个范围内，从而让原本偏暗、偏亮或对比度不足的图像呈现出更丰富的细节。

直方图均衡化 = 自动拉伸灰度分布，增强全局对比度。

7 质量评估

7.1 锐度工具 (Sharpness) --- 计算图像的清晰度分数，不改变图像内容；用于自动对焦或图像质量判断。

锐度工具（Sharpness）用于计算图像的清晰度分数，输出一个数值（如0_1或0100），分数越高表示图像越清晰；它只分析不修改图像内容，主要用于自动对焦时寻找峰值清晰度，或在线监控图像质量（低于阈值报警）。其工作原理基于分析边缘梯度强度或高频分量。在VisionPro中，

主要用途

自动对焦：在连续调焦过程中，寻找清晰度分数最高的位置（峰值对焦）。

图像质量监控：在生产线上定期检测图像清晰度，若分数低于阈值则报警（镜头脏污、失焦、光源问题）。

工作原理

锐度工具通过分析图像中边缘的梯度强度或高频分量来评估清晰度。常见的算法包括：

梯度能量（Sobel、Laplacian）
频域分析（傅里叶变换）
相邻像素差异统计

清晰图像 => 边缘锐利、高频丰富 => 分数高

模糊图像 => 边缘平滑、高频缺失 => 分数低

输出解释

分数范围	含义
接近 1 或 100	图像非常清晰
中等	可接受的清晰度
接近 0	图像严重模糊

二、CogImageConvertTool 图像格式转换工具

将彩色图像转为8位灰度图像

下面样例图均为此工具输出的灰度图

三、CogIPOneImageTool 多功能图像预处理工具

1. 概述

所有功能都服务于工业机器视觉的图像增强 + 特征突出，为后续定位、识别、检测等核心算法扫清干扰。它集成了数十种算法，涵盖亮度/对比度调整、滤波降噪、形态学处理等多个核心模块。

2. 核心功能

2.1 基础灰度运算类

功能名称	核心作用	工业场景用法	通俗原理
加 / 减常量	全局调整图像亮度，给所有像素的灰度值统一加 / 减一个固定数值	环境光偏暗导致整体画面发灰时，用加常量提亮；画面过曝时，用减常量压暗，快速拉回正常曝光	给图像里每一个像素的亮度值，统一做加减法，比如加 30 就是全图整体变亮 30 个灰度级
乘以常数	线性调整图像对比度，放大 / 缩小像素间的亮度差异	当目标和背景的亮度差太小、特征不明显时，用乘大于 1 的常数放大对比度；画面亮度分布不均时，用乘小于 1 的常数压缩动态范围	给所有像素的灰度值统一做乘法，比如乘 1.5 就是把亮的更亮、暗的更暗，拉开明暗差距
像素映射	自定义灰度值的转换规则，实现非线性的亮度 / 对比度调整	针对特定灰度区间做精细调整，比如只提亮暗部、不影响亮部，或者只压缩过曝的高亮区域，比加减乘除更灵活	相当于给每个灰度值做一对一翻译，比如把灰度值 0-50 放大到 0-100，把 200-255 压缩到 180-220
量化	降低图像的灰度等级，减少灰度层次	高速检测场景下，用低灰度等级（比如从 256 级降到 32 级）减少计算量，同时过滤掉微小的亮度噪声	把连续的灰度值 "合并归类"，比如相邻的几个灰度值都归为同一个等级，画面的色彩过渡会变 "硬"，同时噪点会减少

2.2 卷与滤波类（核心去噪 + 特征增强）

功能名称	核心作用	工业场景用法	通俗原理
卷积 3x3	用固定 3x3 大小的卷积核对图像做滤波，实现去噪、边缘增强、模糊等效果	快速做基础图像处理：用均值卷积做基础模糊、用锐化卷积做边缘强化、用拉普拉斯卷积做边缘提取	用一个 3×3 的滑动窗口"在图像上逐像素滑动，用窗口内像素的加权和，替换中心像素的数值
卷积 NxM	自定义任意 N 行 M 列大小的卷积核，实现更灵活的滤波效果	针对大尺寸噪声、特定方向的纹理做处理，比如用 5×5 高斯核做大范围柔化，用横向卷积核强化水平边缘	和 3×3 卷积原理完全一致，只是窗口大小可以自由定义，适配更复杂的场景
高通过滤器	保留图像中的高频信息（边缘、纹理、突变区域），抑制低频信息（大面积的均匀背景）	背景有缓慢的亮度渐变干扰时，用它过滤掉背景，只保留工件的边缘、划痕、字符等高频特征	相当于 "高通音箱"，只让画面里 "变化快" 的细节通过，把 "变化慢" 的大面积背景过滤掉
3x3 中值	用 3×3 窗口内的像素中值替换中心像素，去除椒盐噪声、斑点噪声	工业现场最常用的去噪功能，比如图像里的亮斑、暗点、飞点，用它去噪的同时，能最大程度保留边缘	取 3×3 窗口里所有像素亮度的中间值，替换中心像素，噪点这种 "突兀的极值" 会被直接过滤，不会被放大
中值 NxM	自定义 N×M 窗口的中值滤波，适配不同大小的噪声	面对大面积的颗粒噪声、大尺寸的斑点干扰时，用更大的窗口（如 5×5、7×7）做中值滤波	和 3×3 中值原理一致，窗口越大，去噪能力越强，但同时也会让边缘变模糊
采样卷积	结合图像降采样的卷积运算，兼顾处理速度与效果	大分辨率图像做预处理时，先降采样再做卷积，大幅减少计算量，提升检测速度	先把图像缩小，再做卷积处理，最后恢复尺寸，用牺牲少量精度的代价，换成倍的速度提升

2.3 形态学处理类

功能名称	核心作用	工业场景用法	通俗原理
灰度形态调整	用固定结构元素做灰度形态学操作（膨胀、腐蚀、开运算、闭运算）	处理灰度图像的特征：用闭运算填充工件表面的小黑洞、用开运算去除表面的亮噪点、用膨胀强化亮特征、用腐蚀收缩亮区域	用一个 "探针" 在图像上滑动，通过 "最大值 / 最小值替换" 改变亮暗区域的形状，比如膨胀会让亮的区域变大，腐蚀会让亮的区域变小
灰度形态调整 NxM	自定义 N×M 结构元素的灰度形态学操作	针对特定形状的干扰 / 特征做处理，比如用横向结构元素去除横向的划痕、用圆形结构元素填充圆形的孔洞	和基础灰度形态原理一致，只是 "探针" 的大小、形状可以自定义，适配更精准的场景

2.4 几何与重采样类

功能名称	核心作用	工业场景用法	通俗原理
翻转 / 旋转	对图像做水平 / 垂直翻转，或任意角度的旋转	工件姿态不固定时，先把图像旋转到统一方向，再做检测；或者镜像安装的相机，用翻转还原正确画面	对整幅图像的像素坐标做几何变换，实现画面的左右 / 上下颠倒，或角度旋转
扩展	给图像边缘填充像素，扩大图像尺寸	卷积、形态学操作后，图像边缘会出现黑边 / 无效区域，用它填充边缘，避免边缘信息丢失	在图像的四周新增像素，填充方式可以选固定灰度、复制边缘像素等，保证后续处理不越界
二次采样器	图像的缩放（放大 / 缩小），支持多种插值算法	大分辨率图像缩小以提升处理速度，或小特征图像放大以看清细节，同时保证缩放后的图像质量	重新计算图像的像素数量，缩小是合并像素，放大是插值生成新像素，支持双线性、双三次等多种插值方式
高斯采样器	结合高斯模糊的图像降采样，抗锯齿效果更好	图像缩小前先做高斯模糊，避免缩小后出现锯齿、摩尔纹，适合高精度特征的预处理	先对图像做高斯柔化，再缩小尺寸，既能降速，又能避免缩小带来的锯齿失真

2.5 其他实用功能

功能名称	核心作用	工业场景用法	通俗原理
均衡	直方图均衡化，自动拉伸图像的灰度分布，提升全局对比度	图像整体偏暗 / 偏亮、对比度不足时，自动让亮的更亮、暗的更暗，让特征更突出	把图像的灰度直方图拉平，让所有灰度级都均匀出现，自动提升画面的对比度
丢失像素	处理图像中的坏点、无效像素	相机传感器有坏点、图像出现固定位置的黑点 / 白点时，用它修复这些无效像素	识别出无效的像素，用周围正常像素的数值替换，修复图像缺陷

3. 操作 CogIPOneImageTool工具

传入图像

操作乘与常数

操作卷积3*3 噪声敏感

还有多种处理图像的方式 这里就不一一列举了

四、CogPixelMapTool 像素重映射工具

1. 概念

CogPixelMapTool 是一个支持自定义分段线性映射的专业灰度重映射工具，适用于对比度拉伸、16-bit 量化、手动灰度变换等高级预处理场景，比 CogIPOneImageTool 提供更灵活的曲线控制。

2. 核心功能

自定义灰度映射： 通过添加基准点绘制分段线性映射曲线，实现任意输入灰度到输出灰度的转换（如对比度拉伸、局部增强）。
输出位深控制： 可将高位深图像（如16-bit）转换为低位深（8-bit），用于后续工具兼容或数据量化。
辅助线性调整： 支持在映射后叠加缩放、偏移、反色等操作，灵活微调输出效果。
自动/手动双模式： 自动模式根据直方图生成映射（类似均衡化）；手动模式允许用户精确控制每个灰度区间的变换关系。
仅作用于灰度： 对单张灰度图或彩色图的各通道分别应用相同映射，不改变像素位置

3. 关键参数与设置

参数项	说明
基准点（Anchor Points）	定义映射的关键点，每个点包含输入灰度值 x 和输出灰度值 y。工具自动在点之间线性插值。
对数直方图（Log Histogram）	当图像灰度集中在暗区时，开启此选项可使直方图显示更清晰，便于观察和设置基准点。
输出位深（Output Pixel Depth）	指定输出图像的位深（如 CogImage8Grey、CogImage16Grey）。输出位深不能高于输入图像。
输出缩放（Scale）	在映射完成后，对输出值乘以一个系数。
输出偏移（Offset）	在映射完成后，对输出值加上一个常数。
反色（Invert）	对最终输出值做 255 - value（8-bit）或 65535 - value（16-bit）反转

4.作用

CogPixelMapTool 的作用是对图像中每个像素的灰度值进行自定义重映射，通过查找表或分段线性曲线将输入灰度转换为输出灰度。它主要用于拉伸对比度、改善图像动态范围、将16-bit图像量化为8-bit、以及实现手动控制的非线性灰度变换（如模拟伽马校正或自定义均衡化），从而让后续检测工具更容易提取目标特征。

五、CogPolarUnwrapTool 极坐标展开工具

1. 概念

它通过极坐标-笛卡尔坐标变换，将圆形/椭圆/环形区域展开为矩形图像，解决了圆周上字符识别难、环形表面缺陷检测不方便的核心问题。在 VisionPro 项目中，通常配合 CogFindCircleTool 定位圆心，再配合 CogOCRMaxTool 或 CogBlobTool 进行分析，是工业视觉中"环形目标检测"的必备预处理工具。

2. 核心功能

将环形 / 圆形 / 椭圆目标的表面图像从环形卷绕形态 拆成平铺矩形形态，解决圆形 / 椭圆区域直接检测不便的问题

3. 采样模式参数说明

采样模式

模式	原理简述	优点	缺点	推荐程度
最近邻采样 (Nearest Neighbor)	简单粗暴地直接选用离采样点最近的那个像素的数值。	计算速度非常快。	精度较低，	产生的图像边缘会有锯齿，看起来不平滑。
双线性插值 (Bilinear Interpolation)	一种更精细的算法。它会参考采样点周围最近的4个像素，根据它们到采样点的距离进行加权平均，计算出更精准的新像素值。	展开的图像边缘更平滑、更自然。	计算量稍大，速度比最近邻采样略慢。	强烈推荐，是几乎所有精度检测任务的默认选项。

X/Y 缩放系数控制展开图像的尺寸

输出宽度 = 默认宽度 × ScalingX

输出高度 = 默认高度 × ScalingY

4. 如何使用

随便在网上找了一张图

进行灰度转换（这里不进行其他工具操作只对CogPorlarUnwrapTool 工具进行操作）

输出图像结果

六、CogSobelEdgeTool Sobel边缘检测工具

1. 概念

梯度边缘检测器，输出边缘强度和方向图像，支持后处理细化边缘，常与 Blob 分析工具串联用于轮廓提取和缺陷检测。

2. 核心功能

CogSobelEdgeTool 的核心功能是检测图像中的边缘，输出两张结果图：边缘幅度图像（像素越亮表示该处边缘越强）和边缘角度图像（编码边缘的方向），并可选择性地对边缘进行细化或过滤虚假边缘。

3.参数说明

参数	说明	建议
输入图像	待检测的灰度图像	必要时先用 CogIPOneImageTool 降噪
操作区域	整图或 ROI	整图模式下输出尺寸会减少2像素
幅度缩放系数	放大/缩小边缘强度（0.5~ 50）	金属件=5~ 7，塑料件=10~15，弱边缘可适当增大
全像素峰值探测	将厚边缘细化为单像素宽	需要精确边缘位置时启用
滞后阈值化	双阈值过滤虚假边缘消除噪声造成的孤立边缘

4. 三种输出图像表示

**EdgeMagnitudeImage 原始梯度幅值图像：**计算每个像素点的边缘强度（如 Sobel 算子的梯度幅值），值越大表示边缘越明显。未经过非极大值抑制，边缘较粗、响应较宽。

EdgeAngleImage 梯度方向图像： 存储每个像素点的边缘方向（通常为 0°~ 180° 或 0°~ 360°），用于后续非极大值抑制和边缘连接。像素值代表该点的法线方向（垂直于边缘的方向）。

FinalMagnitudeImage 最终边缘幅值图像： 通常指非极大值抑制（NMS）后的边缘幅值图像。沿梯度方向保留局部最大值，抑制非边缘点，使边缘细化至单像素宽度。之后可能还会进行双阈值及连接处理，但此处的Magnitude 仍表示幅值，而非二值边缘图。

VisionPro 中 图像预处理工具

VisionPro 中 图像预处理工具

一. 图片预处理参数详解

1. 灰度变换

1.1 加减常量 (AddConstant / SubtractConstant) --- 对每个像素增加或减少一个固定数值，调整整体亮度。

1.2 灰度反转 (Invert) --- 将像素灰度值取反（黑变白，白变黑）。

1.3 像素映射 (PixelMap) --- 通过查找表（LUT）自定义灰度映射关系，实现对比度拉伸等效果。

2. 几何变换

2.1 缩放 (Scale) --- 改变图像的尺寸（放大或缩小），也可称为"扩展"。

2.2 仿射变换 (Affine) --- 包括旋转、平移、倾斜、镜像等线性变换。

2.3 极坐标转换 (Polar) --- 在直角坐标与极坐标之间转换图像，常用于圆形检测。

2.4 高斯采样 (GaussianSampling) --- 使用高斯金字塔进行降采样，用于多尺度分析。

3. 滤波

3.1 卷积 (Convolution) --- 使用自定义卷积核进行线性滤波，可实现锐化、模糊、边缘检测等。

3.2 图像滤波工具 (Filter) --- 内置的预设滤波器，包括：高通滤波、低通滤波、中值滤波、高斯滤波等。

4. 形态学处理

4.1 形态学 (Morphology) --- 腐蚀、膨胀、开运算、闭运算等，用于二值图像或灰度图像的形状处理。

5. 图像间运算

5.1 图像加减 (Add / Subtract) --- 两张图像之间逐像素相加或相减。

6. 对比度增强

6.1 直方图均衡化 (Equalize) --- 自动拉伸直方图，增强全局对比度。

7 质量评估

7.1 锐度工具 (Sharpness) --- 计算图像的清晰度分数，不改变图像内容；用于自动对焦或图像质量判断。

二、CogImageConvertTool 图像格式转换工具

三、CogIPOneImageTool 多功能图像预处理工具

1. 概述

2. 核心功能

2.1 基础灰度运算类

2.2 卷与滤波类（核心去噪 + 特征增强）

2.3 形态学处理类

2.4 几何与重采样类

2.5 其他实用功能

3. 操作 CogIPOneImageTool工具

四、CogPixelMapTool 像素重映射工具

1. 概念

2. 核心功能

3. 关键参数与设置

4.作用

五、CogPolarUnwrapTool 极坐标展开工具

1. 概念

2. 核心功能

3. 采样模式参数说明

4. 如何使用

六、CogSobelEdgeTool Sobel边缘检测工具

1. 概念

2. 核心功能

3.参数说明

4. 三种输出图像表示

VisionPro 中图像预处理工具

VisionPro 中图像预处理工具