傅里叶变换在工业缺陷检测中的原理与实践

1. 傅里叶变换在工业缺陷检测中的核心原理

在工业视觉检测领域，傅里叶变换就像一台精密的"信号分解仪"。它能将看似复杂的图像信息分解成不同频率的组成成分，这种时域到频域的转换为我们处理纹理背景下的缺陷检测提供了全新视角。

时域图像就是我们日常看到的普通图像，每个像素点记录的是该位置的光强信息。当图像中存在周期性纹理（如布料、木纹）时，这些纹理在频域中会表现为特定的亮点模式。而缺陷（如划痕、污渍）由于不具备周期性，其频域表现与背景纹理截然不同。这就是傅里叶变换用于缺陷检测的物理基础。

频域图中，中心区域代表低频成分（对应图像中的平滑区域和缓慢变化的背景纹理），远离中心的区域代表高频成分（对应边缘、细节和噪声）。这种分布特性让我们可以通过设计特定的频域滤波器来选择性保留或抑制某些频率成分。

关键理解：傅里叶变换不是万能的，它特别适合处理具有明显周期性背景的缺陷检测场景。对于随机性背景或无纹理表面，传统图像处理方法可能更有效。

2. 频域滤波器的设计与实现

2.1 滤波器类型选择

在Halcon等机器视觉软件中，常用的频域滤波器主要有三类：

1. 低通滤波器：允许低频通过，抑制高频。表现为中心白色、外围黑色的滤波模板。数学表达式为：

   matlab复制H(u,v) = 1, if D(u,v) ≤ D0
            0, otherwise
   

   其中D(u,v)是频率点(u,v)到中心的距离，D0是截止频率。

2. 高通滤波器：与低通相反，中心黑色、外围白色。适用于突出边缘和细节：

   matlab复制H(u,v) = 0, if D(u,v) ≤ D0
            1, otherwise
   

3. 带通滤波器：只允许特定频率范围通过。正弦带通滤波器是缺陷检测中最常用的类型，其生成算子为gen_sin_bandpass。

2.2 滤波器参数设计

滤波器参数直接影响最终检测效果。以正弦带通滤波器为例，关键参数包括：

• 频率：决定通过频带的中心位置
• 带宽：控制通过频带的宽度
• 方向：针对有方向性的缺陷
• 平滑系数(Sigma)：影响过渡带的平滑程度

python复制# Halcon中生成正弦带通滤波