4. 图像预处理基础
在新能源电池模组贴合与3C消费电子精密装配的视觉引导任务中，图像预处理是决定后续定位、测量与缺陷检测成败的关键前置环节。贴合场景中的图像往往受到环境光照波动、金属反光、透明保护膜干扰、产品表面纹理差异以及传送机构振动等多重因素影响。若直接对原始采集图像进行特征提取或模板匹配，极易出现边缘断裂、对比度不足、噪点误判等问题。本章将围绕灰度化、滤波、直方图均衡与形态学操作四大基础模块，结合贴合定位中的实际工程约束，系统讲解其原理、参数选择策略、操作流程及典型误区，帮助学员建立从“图像采集”到“可稳定计算特征”的标准化预处理思维。
上图展示了贴合场景中图像预处理的标准链路：从原始采集图像出发，依次经过灰度化、滤波、直方图均衡和形态学操作，最终进入特征提取与定位计算环节。实际工程中，并非每一步都是必需的，而是需要根据产品材质、光源类型和缺陷特征进行选择性组合。例如，在暗场照明下拍摄的电池极片边缘，可能无需直方图均衡即可获得足够对比度；而在高光金属外壳的贴合定位中，中值滤波和形态学闭运算往往是抑制反光干扰的关键。下面将逐一展开各模块的核心原理与实战要点。
4.1 灰度化：从多通道到单通道的降维策略
核心原理：工业相机通常输出彩色RGB图像，但贴合定位算法（如Halcon中的模板匹配、边缘提取）大多基于灰度图像计算。灰度化本质是将三维颜色空间映射到一维亮度空间，映射方式直接影响后续特征的可分辨性。Halcon中常用的算子为rgb1_to_gray，其默认采用加权平均法：Gray = 0.299*R + 0.587*G + 0.114*B。然而，在特定贴合场景中，这种固定权重并非最优。例如，当产品表面为蓝色阳极氧化铝时，蓝色通道包含更多表面纹理信息，而红色通道则可能因吸收严重而接近噪声。此时，采用分量法（直接提取B通道）或自定义权重（如Gray = 0.1*R + 0.3*G + 0.6*B）往往能保留更丰富的边缘细节。
判断方法：选择灰度化策略前，应先在Halcon的Image Acquisition窗口中同时显示R、G、B三个单通道图像，观察哪个通道的对比度最高、噪声最低。对于贴合定位而言，关注点在于目标边缘（如电池极片轮廓、FPC金手指边界）与背景的灰度差。若三个通道差异不大，直接使用加权平均法即可；若某一通道明显优于其他通道，则优先采用分量法。此外，对于红外光源或单色光源照明的场景，相机输出的可能本身就是灰度图像，此时无需进行灰度化，直接进入滤波环节。
| 灰度化方法 | 公式/算子 | 适用场景 | 注意事项 |
|---|---|---|---|
| 加权平均法 | rgb1_to_gray | 通用场景，颜色信息均匀 | 可能丢失特定颜色通道的细节 |
| 分量法 | decompose3 + select | 某一通道对比度显著 | 需人工判断最优通道 |
| 自定义权重 | scale_image + add_image | 特殊材质（如半透明膜） | 权重需实验标定 |
4.2 滤波去噪：平衡噪声抑制与边缘保持
核心原理：贴合场景中的噪声主要来源于三类：传感器暗电流噪声（表现为随机椒盐噪声）、光源频闪引起的周期性条纹噪声、以及传送机构振动导致的运动模糊。滤波的目标是在不破坏边缘锐度的前提下降低噪声。Halcon中常用的滤波算子包括gauss_filter（高斯滤波）、median_image（中值滤波）和mean_image（均值滤波）。高斯滤波对高斯噪声抑制效果好，但会模糊边缘；中值滤波对椒盐噪声有奇效，且能较好保持边缘位置；均值滤波计算速度快，但边缘保持能力最弱。
操作流程：在贴合定位项目中，建议按以下步骤选择滤波方案：
- 在Halcon中打开图像，使用
gray_histo观察灰度直方图，判断噪声类型（随机尖峰对应椒盐噪声，平滑拖尾对应高斯噪声）。 - 若为椒盐噪声，优先尝试
median_image，掩膜尺寸从3x3开始，逐步增大至5x5或7x7，观察边缘位移量。 - 若为高斯噪声，使用
gauss_filter，Sigma值从0.8开始，最大不超过3.0。Sigma过大会导致边缘偏移超过0.5像素，直接影响贴合精度。 - 对于运动模糊，需先使用
motion_blur算子进行逆滤波，再结合中值滤波去除残余噪声。
edges_sub_pix提取亚像素边缘，并与原始图像边缘进行对比验证。4.3 直方图均衡：自适应对比度增强
核心原理：贴合场景中，由于环境光变化或产品表面反光，图像灰度分布常集中于狭窄区间，导致边缘对比度不足。直方图均衡通过重新映射灰度级，使输出图像的灰度直方图近似均匀分布，从而增强整体对比度。Halcon中的equ_histo实现全局均衡，而clahe（限制对比度自适应直方图均衡）则针对局部区域进行均衡，避免全局均衡在亮度突变区域产生过度增强。在新能源电池模组贴合中，电芯表面的深色绝缘膜与浅色极柱往往同时出现在视野内，全局均衡容易导致极柱区域过曝，此时应优先使用CLAHE。
案例拆解：某动力电池模组贴合项目，相机视野内包含黑色绝缘板（灰度均值约60）和银色金属边框（灰度均值约200）。初始使用全局直方图均衡后，金属边框边缘出现明显光晕，导致边缘提取产生双轮廓。分析发现，全局均衡将灰度0-255的映射曲线过度拉伸，使得高光区域梯度异常。改用CLAHE后，设置Width=256, Height=256, MinLimit=3.0, MaxLimit=10.0，将图像划分为多个局部块分别均衡，金属边框边缘恢复清晰单轮廓，定位重复性从±0.05mm提升至±0.02mm。此案例说明，在动态范围较大的贴合场景中，局部自适应增强优于全局均衡。
gray_histo对比均衡前后的灰度分布，确保目标边缘灰度差提升至少30%。4.4 形态学操作：结构元选择与贴合场景应用
核心原理：形态学操作基于结构元素对图像进行膨胀、腐蚀、开运算和闭运算，主要用于消除细小噪声、连接断裂边缘、填充孔洞或分离粘连目标。在贴合定位中，形态学操作常用于以下场景：电池极片边缘的毛刺去除（开运算）、FPC焊盘孔洞填充（闭运算）、以及透明保护膜边缘的断裂连接（膨胀后腐蚀）。Halcon中核心算子包括dilation_rectangle1、erosion_rectangle1、opening_rectangle1和closing_rectangle1，结构元形状有矩形、圆形、菱形等。
判断方法：结构元的选择需依据目标几何特征：若目标是水平或垂直边缘（如电池极片），优先使用矩形结构元，宽度与边缘厚度匹配；若目标是圆形或弧形边缘（如圆柱电池端面），使用圆形结构元以避免方向性偏差。结构元尺寸通常为目标特征尺寸的1/3至1/2。例如，若极片边缘毛刺宽度为3像素，则开运算的矩形结构元宽度设为5像素，可有效去除毛刺而不损伤主体边缘。
| 形态学操作 | 贴合场景应用 | 结构元推荐 | 验证指标 |
|---|---|---|---|
| 开运算（先腐蚀后膨胀） | 去除极片边缘毛刺、孤立噪点 | 矩形3x3或5x5 | 边缘粗糙度降低 |
| 闭运算（先膨胀后腐蚀） | 填充FPC焊盘孔洞、连接断裂边缘 | 圆形半径3-5 | 孔洞面积减少 |
| 膨胀 | 加粗边缘线，便于后续模板匹配 | 矩形3x3 | 边缘连续性提升 |
| 腐蚀 | 分离粘连目标（如多个电芯） | 矩形5x5 | 目标间距增大 |
reduce_domain限定ROI区域，仅对目标区域进行形态学处理，减少全局影响。4.5 综合实战：预处理链路在电池极片定位中的应用
以某方形铝壳电池极片贴合项目为例，原始图像尺寸为2048x1536，8bit灰度，视野内包含极片（目标）和绝缘支架（背景）。初始采集图像存在三类问题：金属反光导致极片边缘局部过曝、传送带振动引起轻微运动模糊、绝缘支架表面纹理产生伪边缘。预处理链路设计如下：
- 灰度化：由于使用红色环形光源，红色通道对比度最高，直接提取R通道作为灰度图像，跳过加权平均。
- 滤波：先使用
median_image（5x5）去除椒盐噪声，再使用gauss_filter（Sigma=1.2）平滑残余高斯噪声。滤波后边缘位移实测为0.3像素，在可接受范围内。 - 直方图均衡：采用CLAHE，Width=128, Height=128, MinLimit=2.5, MaxLimit=8.0，增强极片边缘与背景的对比度，同时避免反光区域过曝。
- 形态学：使用
closing_rectangle1（宽度15，高度3）连接极片边缘因反光产生的断裂，再使用opening_rectangle1（宽度5，高度5）去除绝缘支架上的细小纹理噪声。
处理完成后，使用edges_sub_pix提取亚像素边缘，与未预处理图像对比：边缘梯度幅值从平均35提升至78，边缘断裂数量从12处减少至0处，定位重复性从±0.08mm提升至±0.015mm。整个预处理耗时约18ms，满足20ms节拍要求。此案例表明，合理的预处理链路设计需结合光源、材质和机械振动特性进行针对性调优，而非机械套用所有步骤。