企业官网建设流程全解析

图像锐化和边缘检测，这两个词放在一起，基本上就是数字图像处理里承上启下的关键节点。前面做完了滤波去噪、平滑处理，把该压的噪声压下去了，紧接着就要面对一个反向操作——把被模糊掉的轮廓重新“拎”出来。很多人刚接触这块内容的时候会觉得公式多、算子杂、效果不好判断，实际上只要把底层逻辑理顺，锐化和边缘检测本质上就是同一件事的两种表达：一个是在空间域里增强高频分量，一个是用差分算子把高频分量单独提取出来。这篇内容适合正在学数字图像处理课程、做机器视觉项目、或者需要自己写图像预处理流水线的朋友，我会从设计思路、核心原理、实操代码到踩坑经验完整讲一遍，尽量把每个参数为什么这么设讲清楚。

1. 图像锐化与边缘检测的整体设计思路

1.1 为什么锐化和边缘检测要放在一起讲

在数字图像处理的典型流水线里，平滑滤波和锐化滤波是一对镜像操作。平滑的本质是压制高频、保留低频，让图像变得柔和；锐化的本质是增强高频、保留低频，让图像轮廓变得清晰。而边缘检测做的事情，是把高频分量中“变化最剧烈”的那部分单独提取出来，形成一幅二值或灰度边缘图。

这三者的关系可以用一个生活化的类比来理解：把图像想象成一段地形，低频是平缓的丘陵，高频是陡峭的山脊。平滑滤波相当于把山脊削平，锐化相当于把山脊拔高，而边缘检测相当于只把山脊的脊线画出来，其他部分全部留白。所以锐化和边缘检测共享同一套数学基础——微分运算，只是输出形式和应用目的不同。

从工程角度看，锐化通常用于图像增强，目的是让人眼看起来更清晰，输出还是一幅完整的图像；边缘检测通常用于特征提取，目的是给后续的轮廓分析、目标识别、尺寸测量提供输入，输出往往是边缘图或边缘点集。理解了这个区别，后面选算子、调参数的时候就不会盲目。

1.2 空间域锐化的两条技术路线

空间域锐化的实现方式主要分两大类，一类是基于一阶微分的梯度锐化，另一类是基于二阶微分的拉普拉斯锐化。这两条路线的选择不是随意的，而是取决于你想要增强的是“边缘的强度”还是“边缘的细节”。

一阶微分（梯度）的特点是：在边缘处产生一个较宽的响应，边缘越陡，梯度幅值越大。它适合增强比较明显的轮廓，比如物体边界、文字笔画。常见的罗伯特交叉梯度、索贝尔算子、普利维特算子都属于这一类。

二阶微分（拉普拉斯）的特点是：在边缘处产生一个过零点，在边缘两侧产生正负响应。它对细节更敏感，适合增强细小的纹理和孤立点，但同时对噪声也更敏感。拉普拉斯算子就是最典型的代表。

我个人的经验是：如果图像本身噪声已经控制得比较好，想要突出细节，用拉普拉斯；如果图像还有残余噪声，或者想要更稳健的轮廓增强，用索贝尔这类一阶梯度算子更合适。这个判断逻辑在后面讲参数选择时还会展开。

1.3 边缘检测的完整流程拆解

很多人以为边缘检测就是拿一个算子卷一下完事，实际上一个可用的边缘检测流程至少包含四个环节：滤波、增强、检测、定位。这个框架最早由马尔和希尔德雷斯提出，至今仍然是工程实践的基本范式。

滤波环节的目的是降低噪声，因为微分运算对噪声极其敏感，一个孤立的噪声点经过微分后可能产生比真实边缘还大的响应。增强环节是用梯度幅值或拉普拉斯响应把边缘的对比度拉大。检测环节是通过阈值判断哪些点是边缘点，哪些是噪声或伪边缘。定位环节是进一步细化边缘位置，比如做非极大值抑制和双阈值连接。

这四个环节里，滤波和检测是最容易出问题的。滤波太强会把弱边缘一起抹掉，滤波太弱又会让噪声混进边缘图；阈值太高会丢边缘，阈值太低会引入大量伪边缘。所以实际项目中，边缘检测的参数调优往往比算子选择更花时间。

2. 核心算子原理与参数选择细节

2.1 一阶微分算子：罗伯特、索贝尔与普利维特

一阶微分算子的核心思想是用差分近似微分。对于离散图像，函数在某点的导数可以用相邻像素的差值来近似。最简单的形式是前向差分，但前向差分只用了两个像素，对噪声敏感且定位有偏移。所以实际算子都采用中心差分或者交叉差分。

罗伯特交叉梯度用的是2×2的模板，对角线方向的差分。它的优点是计算量极小，边缘定位比较准；缺点是模板尺寸是偶数，没有中心像素，而且对噪声非常敏感。我一般只在图像质量很好、实时性要求极高的场景下才用它。

索贝尔算子是3×3模板，分别在水平和垂直方向做差分，同时在垂直于差分的方向上做了一点平滑（权重为2的那一行或列）。这个设计非常巧妙：它相当于先做了一个简单的平滑，再做差分，所以抗噪能力比罗伯特强不少。索贝尔的水平和垂直模板如下：

import numpy as np sobel_x = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]) sobel_y = np.array([[-1, -2, -1], [ 0, 0, 0], [ 1, 2, 1]])

梯度幅值通常用两种方式计算：一种是平方和开根号，即G = sqrt(Gx^2 + Gy^2)；另一种是绝对值之和，即G = |Gx| + |Gy|。前者更精确，后者计算更快。在实际工程中，如果是在嵌入式设备上跑，我通常用绝对值之和，精度损失很小但速度提升明显。

普利维特算子和索贝尔结构一样，只是平滑部分的权重从2变成了1，相当于平滑更弱、差分更强。它对细节的响应比索贝尔略强，但抗噪能力略弱。选择哪个，取决于你的图像噪声水平和细节需求。

2.2 二阶微分算子：拉普拉斯及其变体

拉普拉斯算子是二阶微分算子，定义为∇²f = ∂²f/∂x² + ∂²f/∂y²。在离散图像中，二阶微分用二阶差分近似。最常用的两个拉普拉斯模板是四邻域和八邻域版本：

laplacian_4 = np.array([[ 0, -1, 0], [-1, 4, -1], [ 0, -1, 0]]) laplacian_8 = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]])

四邻域模板只考虑上下左右四个方向，八邻域模板还考虑了对角方向。八邻域对细节更敏感，但对噪声也更敏感。我在处理文字图像或者指纹图像时倾向用八邻域，处理自然场景图像时倾向用四邻域。

拉普拉斯锐化的公式是g(x,y) = f(x,y) + c * ∇²f(x,y)，其中c是系数。当模板中心为正时，c取1；当模板中心为负时，c取-1。这个公式的物理意义是：在原图上叠加一个“边缘增强量”，让边缘处的对比度变大。

这里有一个非常关键的细节：拉普拉斯锐化会产生负值，而图像像素值必须在0到255之间。所以做完锐化后必须做截断或者归一化。我见过很多初学者直接输出，结果图像出现大面积黑斑或白斑，就是因为没有处理负值。

2.3 高提升滤波与钝化掩蔽

钝化掩蔽是锐化里非常实用的一种技术，它的思路是：先对原图做高斯模糊得到一幅模糊图，然后用原图减去模糊图得到“掩蔽模板”，这个模板里包含的就是被模糊掉的高频细节。最后把掩蔽模板按一定权重加回原图，就得到了锐化图像。

公式是g(x,y) = f(x,y) + k * (f(x,y) - blur(f(x,y)))，其中k是锐化强度。当k=1时就是标准的钝化掩蔽，当k>1时就是高提升滤波。高提升滤波的好处是可以在锐化的同时保留一定的低频背景，不会让图像看起来过于生硬。

这个方法的优势在于：高斯模糊的尺度可以控制，你想增强哪个尺度的细节，就选对应尺度的高斯核。比如想增强细纹理，用σ=1的高斯核；想增强中等尺度的轮廓，用σ=2到3的高斯核。这比固定模板的拉普拉斯灵活得多。

2.4 坎尼边缘检测的四步核心逻辑

坎尼边缘检测是目前公认效果最好的经典边缘检测算法之一，它的完整流程包含四个步骤，每一步都有明确的数学依据。

第一步是高斯滤波。用高斯核对图像做卷积，目的是平滑噪声。高斯核的大小和σ值决定了平滑程度。σ越大，平滑越强，能检测到的边缘尺度也越大。我通常从σ=1.0开始试，根据图像分辨率调整。

第二步是计算梯度幅值和方向。坎尼用的是索贝尔算子，得到Gx和Gy后，计算幅值M = sqrt(Gx^2 + Gy^2)和方向θ = arctan(Gy/Gx)。方向会被量化到四个角度：0度、45度、90度、135度，用于后续的非极大值抑制。

第三步是非极大值抑制。这一步的目的是细化边缘，把梯度幅值不是局部最大的点全部置零。具体做法是：沿着梯度方向，比较当前点和相邻两个点的幅值，如果当前点不是最大的，就把它置零。这一步做完，边缘就从“粗线条”变成了“单像素宽”。

第四步是双阈值检测和边缘连接。设两个阈值：高阈值和低阈值，通常比例是2:1或3:1。幅值高于高阈值的点标记为强边缘，低于低阈值的点丢弃，介于两者之间的标记为弱边缘。然后检查弱边缘点是否与强边缘点连通，连通的保留，不连通的丢弃。这一步是坎尼算法抗噪能力强的关键。

import cv2 import numpy as np def canny_edge_detection(image_path, low_threshold, high_threshold, sigma=1.0): img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) blurred = cv2.GaussianBlur(img, (0, 0), sigma) edges = cv2.Canny(blurred, low_threshold, high_threshold) return edges

在实际使用中，高低阈值的设置非常关键。我通常的做法是先用大致的阈值跑一遍，看边缘图的效果，然后逐步调整。如果边缘断裂太多，降低低阈值；如果伪边缘太多，提高高阈值。

3. 完整实操流程与代码实现

3.1 环境准备与图像读取

实操部分我用Python和OpenCV来演示，这套组合在图像处理领域最通用，资料也最全。需要安装的库包括opencv-python、numpy和matplotlib。安装命令很简单：

pip install opencv-python numpy matplotlib

读取图像的时候有一个细节要注意：OpenCV默认读取的是BGR格式，而matplotlib显示的是RGB格式。如果直接显示会颜色错乱，需要做一次转换。另外，做边缘检测和锐化之前，通常先转成灰度图，因为大部分算子都是针对单通道设计的。

import cv2 import numpy as np import matplotlib.pyplot as plt img_bgr = cv2.imread('test_image.jpg') img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

如果图像本身噪声比较大，建议先做一次轻度高斯滤波或者中值滤波。中值滤波对椒盐噪声特别有效，高斯滤波对高斯噪声更合适。这一步不是必须的，但做了之后后续锐化和边缘检测的效果会稳定很多。

3.2 索贝尔梯度锐化的完整实现

索贝尔锐化的实现分几步：计算Gx和Gy、计算梯度幅值、把梯度幅值叠加到原图或者直接输出梯度图。如果目的是锐化，通常是把梯度幅值按一定比例加回原图；如果目的是边缘检测，直接输出梯度幅值图即可。

def sobel_sharpen(gray_img, alpha=1.0): Gx = cv2.Sobel(gray_img, cv2.CV_64F, 1, 0, ksize=3) Gy = cv2.Sobel(gray_img, cv2.CV_64F, 0, 1, ksize=3) magnitude = np.sqrt(Gx**2 + Gy**2) magnitude = np.clip(magnitude, 0, 255).astype(np.uint8) sharpened = cv2.addWeighted(gray_img, 1.0, magnitude, alpha, 0) return sharpened, magnitude

这里有几个参数需要解释。cv2.CV_64F表示输出用64位浮点数，这是为了防止梯度计算时出现负值被截断。如果直接用cv2.CV_8U，负梯度会变成0，导致一半的边缘信息丢失。alpha是锐化强度，我一般从0.5开始试，根据效果调整到1.0或1.5。cv2.addWeighted的最后一个参数是偏置，通常设为0。

实测下来，索贝尔锐化对文字图像和工业零件图像效果很好，边缘清晰且噪声可控。但对自然风景图像，如果alpha设得太大，天空区域会出现明显的颗粒感，这时候需要降低alpha或者先做一次平滑。

3.3 拉普拉斯锐化的实现与负值处理

拉普拉斯锐化的代码看起来简单，但负值处理是核心难点。我见过太多人在这里翻车，输出的图像要么全黑要么全白。

def laplacian_sharpen(gray_img, kernel_type='8'): if kernel_type == '4': kernel = np.array([[0, -1, 0], [-1, 4, -1], [0, -1, 0]]) else: kernel = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]) laplacian = cv2.filter2D(gray_img, cv2.CV_64F, kernel) sharpened = gray_img.astype(np.float64) - laplacian sharpened = np.clip(sharpened, 0, 255).astype(np.uint8) return sharpened, laplacian

注意这里用的是减法而不是加法，因为八邻域拉普拉斯模板中心是正的，边缘处响应为正，原图减去正响应相当于增强了边缘的对比度。如果用四邻域模板，中心是4，也是正的，同样用减法。如果模板中心是负的，就要用加法。

np.clip这一步绝对不能省。拉普拉斯响应有正有负，原图减去响应后，有些像素会超过255，有些会低于0。截断到0到255之间，才能正确显示。更好的做法是先归一化到0到255，但那样会改变整体亮度，所以截断是更常用的方案。

3.4 坎尼边缘检测的参数调优实录

坎尼边缘检测的效果高度依赖参数，我用一个实际案例来说明调优过程。假设有一张工业零件的灰度图，分辨率是1280×960，目标是提取零件的外轮廓。

第一轮，我用默认参数low=50, high=150, sigma=1.0。结果发现轮廓基本出来了，但零件表面的纹理也被检测出来了，边缘图很乱。这说明高阈值太低，把纹理当成了边缘。

第二轮，我把高阈值提高到200，低阈值保持100。纹理少了很多，但轮廓出现了断裂，特别是曲率大的地方。这说明高阈值又太高了，弱边缘被丢掉了。

第三轮，我调整策略：先用σ=2.0的高斯核做更强的平滑，把纹理压下去，然后高阈值设180，低阈值设90。这次轮廓连续，纹理基本消失。但轮廓位置略有偏移，因为强平滑会让边缘位置模糊。

第四轮，我改用σ=1.5，高阈值160，低阈值80，同时在坎尼之前加了一次中值滤波。最终效果比较满意：轮廓连续，纹理干净，位置准确。

这个调优过程说明一个道理：坎尼的参数不是孤立的，高斯σ、低阈值、高阈值三者要联动调整。σ控制尺度，高阈值控制强边缘的门槛，低阈值控制弱边缘的连接范围。我的经验是先把σ定下来，再调高阈值，最后调低阈值。

3.5 锐化与边缘检测的联合使用策略

在实际项目中，锐化和边缘检测经常联合使用。一个典型的流水线是：先做轻度锐化增强轮廓，再做边缘检测提取特征。这样做的好处是锐化让边缘的梯度幅值变大，边缘检测时可以用更高的阈值，从而更好地抑制噪声。

但顺序不能反。如果先做边缘检测再做锐化，锐化只会让边缘图变得更粗，没有实际意义。另外，锐化的强度要控制好，如果锐化过度产生了振铃效应，边缘检测会把这些振铃也当成边缘，结果反而更差。

我通常的做法是：锐化强度控制在alpha=0.3到0.8之间，然后用索贝尔计算梯度幅值，最后用坎尼做细化。这样得到的边缘图既完整又干净。

4. 常见问题排查与避坑经验

4.1 锐化后图像出现黑斑或白斑

这是最典型的问题，根本原因是负值或溢出值没有正确处理。拉普拉斯锐化和高提升滤波都会产生超出0到255范围的值。解决方案有三种：截断、归一化、或者用带符号的数据类型存储中间结果。

截断最简单，但会丢失一部分信息。归一化能保留全部信息，但会改变图像的整体亮度和对比度。我一般用截断，因为锐化的目的是增强视觉效果，截断带来的信息损失在视觉上可以接受。

还有一个隐藏原因：如果图像本身有纯黑或纯白的区域，锐化后这些区域的边缘会产生明显的过冲。这时候可以在锐化前先把图像的范围压缩到10到245之间，留出过冲的余量。

4.2 边缘检测结果断裂严重

边缘断裂通常有三个原因：阈值太高、平滑太强、或者图像对比度太低。排查顺序应该是先看阈值，再看平滑参数，最后看图像本身。

如果降低阈值后断裂减少但伪边缘增多，说明图像噪声比较大，需要先做降噪。如果降噪后还是断裂，可能是边缘本身的梯度就弱，这时候可以考虑用自适应阈值或者基于形态学的边缘连接。

我遇到过一个案例：某文档扫描图像的文字边缘总是断裂。后来发现是扫描时分辨率设得太低，文字笔画只有2到3个像素宽，梯度自然弱。把扫描分辨率提高一倍后，问题自然解决。所以有时候问题不在算法，而在输入质量。

4.3 边缘检测对噪声过于敏感

微分运算对噪声的放大是固有的，无法完全避免，只能抑制。抑制的手段包括：检测前滤波、使用带平滑的算子、提高阈值、或者用多尺度方法。

检测前滤波是最直接的，但要注意滤波尺度。滤波太强会把弱边缘一起抹掉，滤波太弱又起不到降噪作用。我的经验是：高斯σ取1.0到2.0之间，根据图像分辨率和噪声水平调整。对于高分辨率图像，σ可以取大一点；对于低分辨率图像，σ要取小一点，否则边缘会糊掉。

另一个技巧是用中值滤波代替高斯滤波。中值滤波对椒盐噪声特别有效，而且不会像高斯滤波那样模糊边缘。如果噪声类型不确定，可以先试中值滤波。

4.4 坎尼算法的高低阈值怎么定

这是被问得最多的问题。严格来说没有万能公式，但有一个实用的经验法则：高阈值取梯度幅值直方图的高分位数，比如85%到95%；低阈值取高阈值的1/2到1/3。

具体操作是：先算梯度幅值图，然后统计幅值的直方图，找到累计分布达到90%的那个幅值，作为高阈值的初始值。然后跑一遍坎尼，看效果再微调。如果边缘太多，提高高阈值；如果边缘断裂，降低低阈值。

还有一个更自动化的方法：用大津法对梯度幅值图做二值化，得到的阈值作为高阈值，然后低阈值取高阈值的一半。这个方法在图像对比度比较均匀的时候效果不错，但在对比度变化大的图像上可能不稳定。

4.5 常见问题速查表

4.6 几个容易被忽略的实操细节

第一个细节：OpenCV的Sobel函数在ksize=3时用的是标准模板，但当ksize大于3时用的是更复杂的近似，效果和标准模板不一样。如果要做精确的梯度计算，建议自己定义模板用filter2D。

第二个细节：坎尼函数的low_threshold和high_threshold是滞后阈值，不是简单的二值化阈值。低于low_threshold的点直接丢弃，高于high_threshold的点直接保留，介于两者之间的点只有与保留点连通时才保留。理解这个机制，调参的时候就有方向了。

第三个细节：做拉普拉斯锐化时，如果图像是彩色图，不要直接对RGB三个通道分别做，因为三个通道的锐化结果叠加后会产生颜色偏移。正确做法是转成HSV或者LAB空间，只对亮度通道做锐化，再转回RGB。

第四个细节：边缘检测的输出通常是二值图，但如果后续要做亚像素级别的测量，需要保留梯度幅值图或者做亚像素插值。坎尼输出的边缘是单像素宽的，但位置精度只有像素级。如果需要更高精度，可以用梯度方向做抛物线拟合。

5. 不同场景下的方案选择建议

5.1 文档图像处理场景

文档图像的特点是背景干净、文字边缘陡峭、噪声主要是扫描噪声。这种场景下，我推荐用拉普拉斯锐化增强文字笔画，然后用固定阈值的坎尼做边缘检测。因为文档图像的边缘梯度很强，阈值可以设得比较高，不用担心丢边缘。

如果文档有装订阴影或者光照不均，建议先做一次背景估计和校正，再做锐化和边缘检测。否则阴影区域的边缘会被误检。

5.2 工业视觉检测场景

工业视觉的特点是实时性要求高、图像质量相对可控、目标是检测特定缺陷或尺寸。这种场景下，我推荐用索贝尔梯度锐化加自适应阈值的边缘检测。索贝尔计算快，自适应阈值能适应光照变化。

如果检测的是微小缺陷，建议用高提升滤波增强缺陷对比度，然后用局部阈值做边缘检测。局部阈值比全局阈值更适合处理光照不均的工业图像。

5.3 自然场景图像处理场景

自然场景图像的特点是纹理丰富、噪声复杂、边缘尺度多样。这种场景下，单一的锐化或边缘检测很难满足需求，通常需要多尺度方法。我推荐用高斯金字塔做多尺度分解，在每个尺度上分别做锐化和边缘检测，然后融合结果。

坎尼算法在自然场景下表现不错，但参数需要仔细调。如果场景中有大量纹理，建议先用双边滤波做保边平滑，再做边缘检测。双边滤波能在平滑纹理的同时保留强边缘，效果比高斯滤波好。

5.4 医学图像处理场景

医学图像的特点是灰度范围窄、对比度低、噪声类型复杂。这种场景下，锐化要非常谨慎，因为过度锐化会放大噪声，影响诊断。我推荐用自适应直方图均衡化先增强对比度，再做轻度锐化，最后用低阈值坎尼做边缘检测。

医学图像的边缘检测通常不是为了提取轮廓，而是为了辅助分割和测量。所以边缘的连续性和准确性比数量更重要。宁可少检测一些边缘，也不要引入伪边缘。

6. 性能优化与工程化建议

6.1 算子计算的加速方法

索贝尔和拉普拉斯算子都是可分离的，这意味着一个二维卷积可以拆成两个一维卷积。索贝尔的3×3模板可以拆成[1, 2, 1]和[-1, 0, 1]的外积，计算量从9次乘法降到6次。对于大图像或者视频流，这个优化能带来明显的速度提升。

另一个加速方法是降采样。如果图像分辨率很高，但边缘检测不需要那么高的精度，可以先降采样再检测，最后把边缘坐标映射回原尺寸。降采样2倍，计算量降到1/4，速度提升非常明显。

如果是在嵌入式设备上跑，建议用定点数代替浮点数，用查表法代替实时计算。索贝尔和拉普拉斯的模板系数都是整数，定点数实现很方便。

6.2 参数自适应策略

固定参数在不同图像上表现差异很大，工程化系统通常需要自适应参数。一个实用的策略是：先统计图像的梯度幅值分布，根据分布的分位数来设定阈值。比如高阈值取95%分位数，低阈值取85%分位数。

另一个策略是根据图像的信噪比来调整平滑参数。信噪比高，σ取小一点；信噪比低，σ取大一点。信噪比可以用图像局部方差来估计。

6.3 结果评估与迭代

边缘检测的结果评估没有绝对标准，通常靠目视检查加下游任务指标。如果边缘检测是某个检测系统的预处理步骤，最终指标是检测准确率，那就用检测准确率来反向调优边缘检测参数。

我通常的做法是：准备一组有代表性的测试图像，人工标注期望的边缘，然后用F1分数来评估不同参数组合的效果。虽然标注边缘很费时间，但一旦标好，后续调参就有依据了。

7. 我个人在实际操作中的几点体会

做了这么多年的图像处理，锐化和边缘检测这块我踩过的坑最多，也最有感情。最大的体会是：不要迷信算子，要理解数据。同一个索贝尔算子，在不同图像上效果天差地别，问题往往不在算子，而在图像本身的噪声、对比度、分辨率。

第二个体会是：参数调优要有耐心。坎尼的高低阈值、高斯的σ、锐化的alpha，这些参数之间是耦合的，改一个往往要连带改另一个。我通常会用网格搜索的方式，把参数组合跑一遍，看哪个组合在测试集上表现最好。虽然费时间，但比凭感觉调靠谱得多。

第三个体会是：边缘检测的输出一定要做后处理。原始边缘图往往有毛刺、断裂、伪边缘，直接用效果很差。我通常会用形态学的闭运算连接断裂，用开运算去除毛刺，用连通域分析去除小面积的伪边缘。这些后处理步骤看起来简单，但对最终效果影响很大。

第四个体会是：不要忽略输入图像的质量。很多边缘检测的问题，根源在图像采集环节。光照不均、对焦不准、分辨率不够，这些问题靠算法很难完全弥补。如果条件允许，先把图像采集做好，后面的算法会轻松很多。

最后分享一个小技巧：在做锐化之前，先对图像做一次直方图拉伸，把灰度范围拉满。这样锐化后的过冲和欠冲会更明显，视觉效果更好。但要注意，直方图拉伸会放大噪声，所以拉伸之后最好做一次轻度降噪。这个顺序我试过很多次，比直接锐化的效果好不少。