4. 图像预处理与增强

在 HALCON 工业视觉项目里，相机采集到的原始图像几乎不可能直接进入测量或识别环节。光照波动、镜头渐晕、传感器噪声、工件表面反光、背景纹理干扰，都会让后续的阈值分割、边缘提取或模板匹配变得不稳定。图像预处理与增强的任务，就是在不破坏目标特征的前提下，把图像整理成“算法容易处理”的状态。本节围绕灰度变换、滤波去噪、形态学处理、图像增强、ROI 提取、光照不均校正与背景抑制七类手段展开，重点说明它们各自解决什么问题、在 HALCON 中如何实现、参数如何选取以及结果如何判断。

一、灰度变换：先把灰度分布拉回可用区间

灰度变换是最基础的预处理，它逐像素改变灰度值，不改变像素位置关系。HALCON 中常用 scale_image 做线性拉伸，用 scale_image_max 自动把灰度范围拉满，用 invert_image 反相，用 gamma_image 做非线性伽马调整。线性变换公式为 g' = α·g + β，其中 α 控制对比度，β 控制亮度偏移。

例如一幅 8 位灰度图实际灰度集中在 60～150，目标与背景只差十几个灰度级。若直接阈值分割，阈值窗口很窄，容易受噪声影响。此时可用 scale_image(Image, ImageScaled, 2.0, -120)，把 60 映射到 0、150 映射到 180，对比度明显拉开。判断依据是观察灰度直方图：变换后目标峰与背景峰应分离更清晰，而不是简单看图像“变亮”。伽马变换则用于压暗或提亮中间调，γ<1 提亮暗部，γ>1 压暗亮部，适合处理背光或过曝场景。

二、滤波去噪：区分噪声类型再选算子

噪声处理的关键是先判断噪声性质。高斯噪声适合用 gauss_filter 或 smooth_image；椒盐噪声适合用 median_image 中值滤波；需要保边时用 bilateral_filter 或 guided_filter；对周期性纹理干扰可用频域 fft_image 配合 gen_bandfilter 抑制特定频段。

以中值滤波为例，median_image(Image, ImageMedian, 'circle', 3, 'mirrored') 中，掩膜类型和半径决定去噪强度。半径 3 的圆形掩膜约覆盖 29 个像素，能有效去除孤立噪点，但半径过大（如 7 以上）会磨掉细边缘和小孔。工程上常用做法是：先用 median_image 半径 2～3 去除脉冲噪声，再用 gauss_filter 半径 1～2 平滑残余高斯噪声。判断标准是：噪声方差下降，同时目标边缘位置偏移不超过 1 个像素。

三、形态学处理：按结构元素修整区域形状

形态学处理针对二值区域或灰度图像，核心算子是腐蚀、膨胀、开运算和闭运算。HALCON 中 erosion_circle、dilation_rectangle1、opening_circle、closing_rectangle1 分别对应不同结构元素。开运算先腐蚀后膨胀，用于去除小毛刺和孤立点；闭运算先膨胀后腐蚀，用于填补小孔和连接断裂区域。

例如检测金属件表面划痕时，阈值分割后划痕区域常出现断裂。可用 closing_rectangle1(Region, RegionClosed, 5, 5) 把相邻片段连成完整划痕，再用 opening_circle(RegionClosed, RegionClean, 2.5) 去掉细小噪点。结构元素尺寸必须与目标特征尺度匹配：划痕宽度约 3 像素时，闭运算结构元素取 5 像素较合适；若取 15 像素，会把两条相近划痕错误合并。判断依据是区域数量、面积和连通域变化是否符合预期。

四、图像增强与 ROI 提取：把计算资源集中在目标区

图像增强包括对比度增强、锐化和局部增强。emphasize 可增强高频细节，shock_filter 可锐化边缘同时抑制噪声。ROI 提取则是用 gen_rectangle1、gen_circle、gen_region_polygon 等生成区域，再用 reduce_domain 把后续算子限制在目标区域内。ROI 的价值不仅是减少计算量，更重要的是排除背景干扰，让阈值和模板只对目标区域生效。

实际项目中，ROI 常分两级：一级 ROI 由机械定位或标定给出大致区域，二级 ROI 在区域内用 threshold 或 dyn_threshold 动态提取目标。这样即使工件有轻微位移，也不会因为固定 ROI 偏移而丢失目标。

五、光照不均校正与背景抑制：让阈值在整幅图都成立

光照不均表现为图像一侧亮、一侧暗，固定阈值无法同时分割亮区和暗区。HALCON 中常用 estimate_background_illumination 估计背景光照，再用 illuminate 校正；也可用大核均值滤波或高斯滤波得到背景，再与原图做 sub_image 相减。背景抑制则常用 dyn_threshold，它比较原图与平滑背景图，在局部对比度超过 offset 时才输出区域。

例如一幅 2448×2048 图像，左侧背景灰度约 180，右侧约 120，目标灰度约 200。固定阈值 160 只能分割左半部分。此时用 mean_image(Image, Background, 61, 61) 得到背景，再 dyn_threshold(Image, Background, RegionDyn, 15, 'light')，即可在两侧都稳定提取目标。offset 的选取原则是：大于背景噪声波动，小于目标与背景的局部对比度。若 offset 取 5，噪声会被误检；取 40，弱目标会漏检。工程上可先用 gray_histo 统计局部对比度分布，再确定 offset。

六、工程实践中的组合策略与参数记录

实际项目很少只用一种预处理。一个典型的金属零件尺寸测量流程可能是：先 scale_image 拉开对比度，再 median_image 去噪，接着 mean_image 估计背景并 dyn_threshold 提取目标，然后 closing_rectangle1 连接断裂，最后 reduce_domain 限定测量区域。每一步的参数都应记录在项目配置中，便于换批次或换光照时快速复现和调整。

需要特别提醒的是，预处理不是越多越好。过度滤波会模糊边缘，过度形态学会改变目标尺寸，过度增强会放大噪声。判断是否“处理够了”的标准始终是：后续测量或识别结果的重复精度和稳定性是否满足要求，而不是图像看起来是否“干净”。建议在 HALCON 中用 dev_display 分步显示中间结果，配合 count_obj、area_center、measure_pos 等算子量化每一步的影响，再决定是否保留该步骤。