3. 特征提取基础

在Halcon的2D对位算法体系中，特征提取是连接图像预处理与几何变换求解之间的核心桥梁。对位算法的本质是寻找两幅图像（模板图像与运行图像）中同一物理特征的位置与姿态差异，因此，特征提取的质量直接决定了后续仿射变换矩阵的精度与鲁棒性。本章将系统讲解Halcon中四种最基础且最常用的特征提取手段：边缘检测、角点检测、Blob分析以及区域特征计算，并深入剖析它们在2D对位场景中的工程化应用逻辑。

3.1 边缘检测：从像素梯度到亚像素轮廓

核心原理

边缘是图像中灰度发生剧烈变化的位置，在物理上对应物体的轮廓、表面纹理边界或光照分界线。在Halcon中，边缘检测并非仅停留在像素级梯度计算，而是通过算子edges_sub_pix直接输出亚像素精度的边缘轮廓（XLD，eXtended Line Description）。该算子内部集成了多种滤波器（如Canny、Deriche、Lanser等），通过非极大值抑制和滞后阈值连接，提取出连续、单像素宽、具有亚像素坐标的轮廓线。对于2D对位而言，亚像素边缘是后续拟合直线、圆或矩形的基础，其精度直接影响旋转中心与平移量的计算误差。

操作流程

1. 图像预处理：使用gauss_filter或median_image抑制噪声，避免伪边缘。
2. 亚像素边缘提取：调用edges_sub_pix (Image, Edges, 'canny', 1.5, 20, 40)，其中Sigma控制平滑程度，Low和High为滞后阈值。
3. 轮廓筛选：通过select_contours_xld按长度、方向或封闭性过滤干扰轮廓。
4. 几何拟合：使用fit_line_contour_xld或fit_circle_contour_xld将轮廓转化为参数化几何元素。

3.2 角点检测：特征点的定位与匹配

核心原理

角点是图像中两条或多条边缘的交点，具有旋转不变性和光照鲁棒性，是2D对位中常用的特征点。Halcon提供points_harris算子实现Harris角点检测，其核心思想是计算图像局部窗口内灰度变化的自相关矩阵，通过响应值判断该点是否为角点。与边缘检测不同，角点检测直接输出离散的像素坐标（可扩展至亚像素），适合作为模板匹配的种子点或视觉伺服的控制点。

判断方法与参数选择

案例拆解：芯片引脚对位

在半导体封装设备的视觉对位中，芯片对角上的两个焊盘角点常被用作定位基准。初始图像中，由于金线反光，Harris响应值分布杂乱。处理流程如下：

• 使用points_harris (Image, SigmaGrad, SigmaSmooth, Alpha, Threshold, Row, Col)提取候选角点。
• 通过sort_region按响应值降序排列，仅保留前20个点。
• 利用distance_pp计算候选点与芯片模板中心的大致距离，剔除远离目标区域的噪点。
• 最终保留4个最强角点，通过vector_to_rigid计算与模板角点的仿射变换。

3.3 Blob分析：连通域提取与筛选

核心原理

Blob分析是指将图像中灰度值满足特定范围的像素集合提取为连通区域，并基于区域的形状、灰度、位置等特征进行筛选。在Halcon中，典型流程为：threshold → connection → select_shape。Blob分析特别适用于背景与目标灰度差异明显的场景，如工件定位、缺陷检测、液位测量等。对于2D对位，Blob分析通常用于提取具有明显灰度特征的标记点（如圆形Mark点、矩形基准块）。

操作流程与筛选逻辑

// 示例：提取圆形Mark点
threshold (Image, Region, 0, 128)          // 二值化
connection (Region, ConnectedRegions)      // 连通域分割
select_shape (ConnectedRegions, SelectedRegions, 
              ['area', 'circularity'], 'and', 
              [500, 0.8], [5000, 1.0])     // 按面积和圆度筛选
shape_trans (SelectedRegions, RegionTrans, 'outer_circle') // 拟合外接圆
area_center (RegionTrans, Area, Row, Column) // 获取圆心坐标

实战场景：手机屏幕组装对位

在屏幕与中框的贴合工序中，屏幕玻璃上印刷有四个圆形对位Mark点。由于玻璃透光，Mark点灰度与背景差异较小，直接阈值分割效果不佳。改进方案：

1. 使用invert_image反转灰度，使Mark点变为亮目标。
2. 采用dyn_threshold动态阈值替代固定阈值，适应光照不均。
3. 通过select_shape限定面积范围（如2000-3000像素）和圆度（>0.9），排除玻璃边缘干扰。
4. 最终输出四个圆心坐标，作为对位特征点。

3.4 区域特征计算：面积、中心与方向

核心原理

区域特征是将提取到的Blob或分割区域转化为数值参数的过程。其中，面积（Area）表示区域像素总数；中心（Row, Column）是区域的灰度质心；方向（Orientation）则通过计算区域的二阶矩（惯性矩）获得，表示区域主轴与图像x轴的夹角。在2D对位中，区域中心提供了平移量（Tx, Ty），方向提供了旋转量（θ），两者结合即可构造仿射变换矩阵。

计算方法与Halcon实现

案例拆解：药瓶盖对位

在药品灌装线上，瓶盖顶部有一个矩形凹槽，需要旋转至固定角度后压合。使用Blob分析提取凹槽区域后：

• 通过area_center (Region, Area, Row, Column)获得凹槽中心坐标。
• 通过orientation_region (Region, Phi)获得凹槽主轴方向角。
• 将模板的(Row, Column, Phi)与当前值代入vector_to_rigid，生成旋转平移矩阵。
• 使用affine_trans_image将当前图像校正至模板姿态，完成对位。