C++实战：基于3σ原则的图像缺陷阈值分割与异常值剔除

1. 工业视觉检测中的图像缺陷识别挑战

在工业生产线上，图像缺陷检测是个让人又爱又恨的活。我见过太多质检员盯着屏幕看到眼睛发花，也见过不少算法因为光照变化就误判良品。传统阈值分割方法最让人头疼的就是那个固定阈值——早上调好的参数，下午可能就不管用了。

这时候统计学里的3σ原则就派上用场了。简单来说，它就像个智能门卫，能根据现场情况自动调整警戒线。假设图像灰度值服从正态分布（就是那个钟形曲线），距离均值超过3倍标准差的数据点，大概率就是需要关注的异常值。在PCB板检测中，这个算法帮我准确识别出了90%以上的焊点缺陷，而误报率比固定阈值法低了近40%。

不过要注意，这个方法有个重要前提：待检测特征得大致符合正态分布。有次在检测液晶屏坏点时我就栽过跟头——因为坏点呈现集群分布，导致算法把正常像素也标记成了异常。后来我加了个分布检验步骤，问题才解决。

2. 3σ算法的数学原理与实现

2.1 正态分布与标准差的关系

想象你在测量一群人的身高。大多数人都集中在平均值附近，越高或越矮的人就越少。3σ原则就是说，99.7%的数据点会落在均值±3倍标准差的范围内。在图像处理中，我们可以把每个像素的灰度值看作数据点。

计算过程其实就三步：

1. 遍历像素数据求均值（μ）
2. 计算每个像素与均值的差的平方，再求平均后开方得到标准差（σ）
3. 设置阈值区间[μ-3σ, μ+3σ]

2.2 C++实现核心代码

cpp复制void autoThreshold(cv::Mat& src, cv::Mat& dst) {
    // 计算均值和标准差
    cv::Scalar mean, stddev;
    cv::meanStdDev(src, mean, stddev);
    
    double low = mean[0] - 3*stddev[0];
    double high = mean[0] + 3*stddev[0];
    
    // 应用阈值分割
    dst = src.clone();
    for(int i=0; i<src.rows; ++i) {
        for(int j=0; j<src.cols; ++j) {
            uchar pixel =