工业视觉中,图像产生过程会受到环境和信号传输等多方面影响,导致最终图像输出结果产生噪声扰动并丢失真实信息造成失真。为了还原图像的真实信息以便后续的图像分析,需要用图像滤波的方法将图像中的干扰噪声去除。当前已提出的图像滤波算法往往只针对一种噪声模型去除而具有局限性,并且除了针对高斯噪声模型的滤波算法外,适用于诸如椒盐噪声、泊松噪声等模型的滤波算法较少且去噪效果较差。图像去噪作为图像处理中的基本任务,去除噪声干扰后的边缘提取是高质量分析图像和测量的基础与关键。本文围绕数字图像处理步骤中的边缘提取难点展开研究,从图像边缘提取的本质出发,探索了滤波中椒盐噪声的滤除算法,对经典边缘检测算子进行了改进,发现二阶微分算子拉普拉斯降噪模型更优越的性能,并结合形态学滤波在改进的中值滤波算法基础上,实现了对边缘的增强和有效提取。本文的创新点主要在于提出了一种结合了形态学滤波增强的二阶边缘算子,在边缘增强前用多窗口阈值自适应的新型中值滤波器滤除椒盐噪声。通过在数据集图片中多次测试,及与其他经典算法的不断对比之后,得出本文算法适用于在工业中高密度椒盐噪声背景下的边缘提取。仿真结果证明,该方法在密度更高或是复杂的工业场景应用中都表明有更精确的效果。文章最后搭建了机器视觉测量系统,实际测量效果的验证也表明本方法能准确有效地检测出零件的尺寸,大大降低了产品误判的概率,给工业检测流水线的改进提供了新的思路。