图像处理
image – 图像处理 模块中的视觉算法来自 OpenMV 的 imlib 库，在本仓库 中以 components/imlib IDF 组件的形式维护。它们大致分为几类：点变换与几何变换、 邻域滤波、统计分析，以及特征检测。本页说明每一类的作用与适用场景。
典型处理流水线
多数颜色跟踪或检测脚本都遵循以下处理流程：
预处理可以组合使用 image.Image.to_grayscale()、image.Image.gaussian() 和 image.Image.histeq()；分割通常使用 image.Image.binary()；分析阶段再使用 image.Image.find_blobs()、image.Image.get_statistics() 或特征检测器，随后由应用绘制结果或执行相应操作。
阈值化与分割
image.Image.binary() 通过把每个像素与一组颜色阈值比较，把图像转换为掩膜 （阈值为何用 LAB 表示见 图像模型）。只要像素落入 任一 阈值即为“有效”， 因此可同时跟踪多种颜色。配套的 image.Image.find_blobs() 在相同阈值上运行 8 连通分量标记，为每个连通区域返回一个 image.blob，包含质心、外接框、 像素数、朝向，以及圆度、实心度等形状描述子。
邻域（卷积）滤波
这些方法用像素 (2*ksize+1) 方形邻域的某个函数来替换该像素：
image.Image.mean()—— 盒式平均；快速模糊。image.Image.gaussian()—— 用帕斯卡三角（二项式）近似高斯核的加权平均； 标准降噪模糊。设unsharp=True则改为锐化。image.Image.laplacian()—— 二阶导数边缘响应；设sharpen=True可叠加 回原图以增强边缘。image.Image.morph()—— 应用任意整数卷积核。mul与add缩放并偏置 结果；mul默认为1/sum(kernel)，以保持图像亮度。
它们都带有 threshold/offset/invert 关键字，可在一次遍历中把滤波变成 自适应阈值化操作。
秩滤波与保边滤波
秩滤波对邻域排序而非求平均，能在较少模糊边缘的前提下去噪：
image.Image.median()—— 取百分位（默认 0.5）值；对椒盐噪声效果极佳。image.Image.mode()—— 取最常见值。image.Image.midpoint()—— 在最小值与最大值之间按bias混合。image.Image.bilateral()—— 同时按空间距离（space_sigma）与颜色相似度 （color_sigma）加权的高斯模糊，平滑平坦区域的同时保持边缘锐利。
形态学
image.Image.erode() 与 image.Image.dilate() 用方形结构元收缩或扩张 （通常为二值图像的）有效像素；image.Image.open() 与 image.Image.close() 组合二者以去除小噪点或填补小孔。threshold 参数控制 需要多少个邻居为有效，从而推广了经典二值算子。
直方图与统计
image.Image.get_histogram() 按通道对像素值分箱；返回的 image.histogram 可计算 Otsu 阈值（image.histogram.get_threshold()）、 百分位以及完整统计量。image.Image.get_statistics() 一次返回均值、中位数、 众数、标准差、四分位数与最小/最大值，便于在运行时自动整定阈值。
特征检测
更高层的检测器用于发现几何结构：
image.Image.find_lines()与image.Image.find_circles()使用霍夫 变换；其threshold是最小累加器分数，*_margin关键字用于合并近似重复的结果。image.Image.find_rects()定位四边形（适用于基准标记与屏幕）。image.Image.find_qrcodes()与image.Image.find_apriltags()检测并解码相应的标记类型；在提供相机内参时，AprilTag 还能返回 6 自由度位姿。
当前 ESP32-P4 板级配置还通过 ZXing-C++ 后端提供 image.Image.find_barcodes()。
备注
本构建禁用了 OpenMV 中受 GPL 许可的代码路径（OMV_NO_GPL=1），因此少量上游 算法被有意排除。每块板子的 imlib_config.h 决定编译哪些可选算法；未启用的方法 会在调用时抛出异常。