在线瑕疵检测中，常见的图像处理技术主要包括以下几个方面：
1. 图像预处理：
灰度处理：将彩色图像转换为灰度图像，以减少图像复杂度，突出形态特征。
去噪：利用高斯滤波、中值滤波等方法去除图像中的噪声，提高图像清晰度。
图像增强：通过强化图像中的高频或低频分量，突出感兴趣的部分或减少噪声影响。这可能包括线性灰度变换、直方图均衡化等技术。
锐化：使用拉普拉斯滤波等方法进行线性锐化，以中和去噪过程中可能导致的细节淡化。
2. 特征提取：
根据瑕疵的特点，提取出可以用来区分瑕疵与正常部分的特征，如边缘、纹理、形状等。
3. 图像分割：
阈值分割：根据图像中像素的灰度值分布情况，选择一个或多个阈值，将图像分割为瑕疵区域和正常区域。
边缘检测：利用Sobel、Canny等边缘检测算子，检测图像中物体边缘处的灰度变化，定位瑕疵边缘。
区域生长：另一种分割算法，用于将图像分割为不同的区域，常用于瑕疵检测中。
4. 形态学处理：
基于集合论的图像处理方法，包括腐蚀、膨胀、开运算和闭运算等操作。这些操作可用于优化阈值分割或边缘检测后的结果，去除伪缺陷或修复缺陷区域的不完整边界。
5. 分类算法：
使用机器学习、深度学习等方法，如支持向量机（SVM）、Vision Transformers (ViTs)、YOLO系列等，对瑕疵与正常部分进行分类，实现自动化的瑕疵检测。
这些图像处理技术在在线瑕疵检测中发挥着重要作用，能够大大提高生产效率，减少人工成本，并确保产品的质量。
