如何检测两幅图像的微小差异？

在机器视觉（如 AOI 自动光学检测、印刷包装检测）中，对比两幅图像的微小差异是核心任务。通常，完整的检测链路包含三个核心阶段：严格对齐 $\rightarrow$ 差异提取 $\rightarrow$ 综合决策。

📌 核心前提：图像必须严格对齐 任何对比算法的前提都是空间位置的统一。通常需要使用 模板匹配（Template Matching） 等几何定位算子，计算出目标物体的仿射变换矩阵（Affine Transformation），将其校正到与标准模板完全一致的像素坐标系下（通常需要达到亚像素级精度）。

---

一、 差异提取的两大核心方法

根据缺陷特征的不同，我们通常将检测方法分为“像素级（看表面）”和“几何级（看外形）”两大类。

1. 基于灰度值差异（像素级对比）

• 适用场景：检测区域型、表面缺陷。如脏污、划痕、缺料、印刷残缺、崩边等。
• 实现逻辑：
  1. 绝对差计算：对两张已严格对齐的图像，逐像素计算灰度的绝对差，得到一张差异图（Diff Map）。
  \[\left| I_1(x,y) - I_2(x,y) \right|\]
  1. 噪声剔除：由于相机噪声或微小对齐误差，边缘通常会有伪报错。一般需先进行高斯滤波降噪，再通过形态学闭运算（Morphology Close）连接断开的缺陷。
  2. 阈值分割：设定灰度阈值 $T$，提取差异值超过该阈值的像素连通域（Connected Components），即为潜在缺陷。

---

2. 基于轮廓间距离（几何对比）

• 适用场景：检测形状偏差、边缘毛刺、尺寸超差、轮廓变形等（关注“对不对齐”，而非“脏不脏”）。
• 实现逻辑：
  1. 轮廓提取：使用 Canny、Subpixel Edge（亚像素边缘提取）等算子，分别提取模板图像和待测图像的目标轮廓。
  2. 距离度量：计算参考轮廓与待测轮廓之间的空间几何距离。
     • Hausdorff 距离：用于评估两条轮廓的最大绝对偏差。
     • 法线搜索/倒角距离（Chamfer Distance）：沿参考轮廓的法线方向测量实际轮廓的偏移量，得到一条连续的距离分布曲线。
  3. 偏差判定：当局部某段轮廓的偏差距离超出了预设的公差范围（Tol），则判定为形状异常。

---

二、 业务决策：二次评分与差异反馈机制

获取到上述差异（像素块或距离曲线）后，如何将其转化为产线最终的 OK/NG（合格/不合格）结论？这就是差异反馈与评分机制。

实现逻辑

我们不能简单地因为“有一个像素不同”就报废产品。通常会将提取到的差异特征作为“扣分项”，反作用于定位算子的原始得分（如模板匹配的得分）：

\[\text{最终得分} = \text{定位基础分} - \sum (\text{权重} \times \text{缺陷特征})\]

• 多维度扣分项：
  • 面积项：缺陷像素的总面积占目标区域的比例。
  • 严重度项：缺陷区域的最大灰度差值值，或轮廓的最大偏差距离。
  • 位置项：根据区域重要度分配权重（例如：手机屏幕中心 B 级的权重远高于边缘非外观区）。
• 结果输出：预设满分为 100 分，扣减后得到最终的连续综合质量得分。

为什么需要二次评分？

这种机制的本质是将“二元对错判断”转变为“连续的量化分数”。

1. 支持动态调优：产线可以根据不同的质量等级（如 A 级品、B 级品）动态调整放行阈值，而不需要重写算法。
2. 数据趋势分析：通过监控得分的缓慢下降趋势，可以提前预警刀具磨损、相机中轴偏移或光源老化，实现智能预测性维护。