公司项目对部分微弱缺陷进行检测，传统的bolb分析等方法不太适用，尝试了多种方法之后，发现傅里叶变换比较适合这类图片分析。 傅里叶变换的原理的话，可以参考一下韩昊大佬的文章（找不到原文，就粘贴了篇转载的） 傅里叶分析之掐死教程（完整版）

由于测试环境的复杂性，导致成像效果没法均匀稳定，易出现一些被结构等因素导致的成像缺陷，这些缺陷成因复杂，与背景无明显灰阶差异，亮暗不均，有时候肉眼也难以观测出来，主观意识比较强。

通过傅里叶变化对图像进行一个频域转换，图像信息从空域转变到频域，再通过设置滤波器，将评语图像与滤波器进行一个卷积，卷积后的频域图片再通过反傅里叶变化变回空域图片。 也就是说从另外一个角度对图片进行观察，不同于灰度变换和空间滤波这类空间域处理方法，频域的图像处理方法主要是通过对表征图像中灰度变化剧烈程度的指标进行一个处理，即灰度在空间中的一个梯度分布。 一般对于图像来说，边缘部分都是突变部分，一般由灰度的突变方式决定边缘的类型（一种是按000111这种方式变的，叫阶跃型边缘；另一种是按照0001000这种方式变的，叫屋顶型边缘），这种灰度的突变，灰度数值变化较快，在频谱上反应为高频分量；而图像背景无边缘部分则表现为一个平缓变化现象，反应在频谱上是低频分量。 不同频域信息在图像中有所不同。图像的主要信息为低频信息，它构成了图像的灰度基本等级，对图像结构的决定作用比较小；中频信息则决定了图像的基本结构，形成了图像的主要边缘结构；高频信息形成了图像的边缘和细节，是在中频信息上对图像内容进一步强化。 通过了傅里叶变化可以得到图像的频谱图，也就是图像灰阶梯度的分布图，这个时候频谱图带上的个点与图像上各点并不存在一一对应的关系（即使在在不移频的情况下也是没有）。通过各种滤波函数构建成的滤波器，对各个频谱信息进行一个筛选，最后可以得到我们想要的中高频信息，从而实现对微弱边缘的一个增益效果，突出边缘信息。

原始图1 增益效果图1

原始图2 增益效果图2 原始图3 增益效果图3

整体缺陷在会得到一个极大的缺陷，但是对于一些存在漏光或者外部光源干扰的屏幕，在傅里叶变化后会存在一个边缘黑边干扰，存在易错判误判的可能，所以对反傅里叶后的图像，仍需要进行一个去噪及筛选，才能得到我们想要的一个信息内容。

样品图及halcon源码