2. 图像处理基础

在进入Halcon的Blob分析与图像预处理实战之前，必须先建立对图像底层数据结构的清晰认知。图像在计算机中并非一张“照片”，而是一个多维数值矩阵。像素、灰度、分辨率与颜色空间构成了描述图像的四根支柱，而Halcon作为工业级机器视觉库，其图像数据类型（HObject）、区域（Region）与像素访问机制均建立在这些概念之上。本章将系统梳理这些核心概念，并重点说明它们在Halcon中的具体表示方式与操作入口，为后续的阈值分割、形态学处理与特征提取打下坚实基础。

像素与灰度：图像的最小信息单元

核心原理：像素（Pixel）是数字图像的最小不可分割单元，每个像素对应场景中一个微小区域的采样结果。在灰度图像中，像素值称为灰度（Gray Value），通常用8位无符号整数（0~255）表示，0代表纯黑，255代表纯白，中间值为不同深浅的灰色。灰度值的大小反映了该像素位置的光照强度或物体反射率。Halcon中，灰度图像默认使用byte类型存储，即每个像素占用1字节内存；对于需要更高精度（如医学影像、工业X光检测）的场景，可使用uint2类型（0~65535）或real类型（浮点）。

Halcon中的表示：在Halcon中，图像数据封装在HObject对象中，通过read_image读取文件，或通过gen_image1从外部指针创建。访问单个像素灰度值使用get_grayval(Image, Row, Column, Grayval)，该算子返回指定行列坐标的灰度值。批量获取像素数据则使用get_image_pointer1(Image, Pointer, Type, Width, Height)，直接获取图像数据内存指针，便于与C/C++或Python的NumPy数组互操作。

分辨率：空间分辨率与灰度分辨率

核心原理：分辨率包含两个维度：空间分辨率指图像中像素的密度，通常用宽×高（如1920×1080）表示，决定了能分辨的最小物体尺寸；灰度分辨率指灰度量化的位数，8bit可区分256级灰度，16bit可区分65536级。在工业检测中，空间分辨率决定检测精度，灰度分辨率决定对比度敏感度。例如，检测细微划痕时，若灰度分辨率不足，划痕与背景的微小灰度差可能被量化噪声淹没。

Halcon中的操作：获取图像尺寸使用get_image_size(Image, Width, Height)。改变图像尺寸使用zoom_image_factor（按比例缩放）或zoom_image_size（缩放到指定尺寸）。灰度分辨率转换使用convert_image_type(Image, ImageConverted, 'uint2')。值得注意的是，zoom_image_factor默认使用双线性插值，对于边缘检测场景，建议使用zoom_image_factor(Image, ZoomImage, 0.5, 0.5, 'constant')以最近邻插值保留边缘锐度。

// 获取图像尺寸与类型
read_image(Image, 'pcb_defect.png');
get_image_size(Image, Width, Height);
get_image_type(Image, Type);
// 将16bit图像转为8bit用于显示
convert_image_type(Image, ImageByte, 'byte');
// 缩放图像至原尺寸的75%
zoom_image_factor(ImageByte, ImageScaled, 0.75, 0.75, 'constant');

颜色空间：从RGB到灰度与HSV

核心原理：彩色图像通常使用RGB（红绿蓝）三通道表示，每个通道独立存储灰度值。但RGB通道间相关性高，且对光照变化敏感，不适合直接用于Blob分析。因此，工业视觉中常将RGB转换到其他颜色空间：HSV（色调、饱和度、亮度）将颜色信息与亮度分离，适合基于颜色的目标分割；YUV（亮度、色度）广泛用于视频压缩，Y分量即灰度图。Halcon提供trans_from_rgb算子，支持RGB到HSV、YUV、Lab等空间的转换。

Halcon中的通道操作：多通道图像在Halcon中仍为HObject，但包含多个通道。使用decompose3(Image, ImageR, ImageG, ImageB)将三通道图像拆分为单通道；compose3则反向合并。提取单通道使用access_channel(Image, ChannelImage, 1)（1为R通道，2为G，3为B）。彩色转灰度使用rgb1_to_gray(Image, GrayImage)，其内部按标准公式计算：Gray = 0.299R + 0.587G + 0.114B。

Halcon图像对象与内存管理

核心原理：Halcon的图像对象（HObject）不仅包含像素数据，还包含域（Domain）信息。域定义了图像中有效处理的区域，默认是整个图像矩形。通过change_domain可设置ROI，后续所有算子仅处理域内像素，大幅提升运算效率。此外，Halcon采用写时复制（Copy-on-Write）机制，多个变量可共享同一图像数据，直到某个变量被修改时才真正复制，因此内存使用高效。

操作流程：创建图像对象的方式包括：read_image读取文件、gen_image1从外部数据创建、gen_image_const生成常量图像。释放图像使用clear_obj，但Halcon的自动垃圾回收机制会管理大部分内存，仅在处理大量图像或长时间运行时需手动清理。检查图像是否有效使用test_obj。

// 创建ROI域并处理
read_image(Image, 'wafer.png');
gen_rectangle1(Rect, 100, 100, 500, 500);
change_domain(Image, Rect, ImageROI);
// 仅对ROI内像素进行阈值分割
threshold(ImageROI, Region, 128, 255);
// 清理不再使用的对象
clear_obj(ImageROI);

像素坐标系统与行列约定

核心原理：Halcon使用行列坐标（Row, Column）而非笛卡尔坐标（X, Y）。Row对应图像垂直方向（从上到下递增），Column对应水平方向（从左到右递增）。原点位于左上角。这一约定与图像存储的行主序一致，但在与机械手坐标交互时需转换。Halcon提供image_points_to_world_plane算子将像素坐标转换为世界坐标，或使用hom_mat2d_translate进行仿射变换。

常见误区：初学者常将Row误认为X坐标，导致ROI位置偏移。例如，gen_rectangle1(Rect, 100, 200, 300, 400)表示左上角坐标为(100, 200)，右下角为(300, 400)，即Row从100到300，Column从200到400。若需在图像中心(960, 540)处生成100×100的ROI，应写为gen_rectangle1(Rect, 490, 540, 590, 640)。

图像类型转换与内存优化

核心原理：不同图像类型占用内存差异显著。一张1920×1080的8bit灰度图占用约2MB，而16bit图占用4MB，real类型则占用8MB。在内存受限的嵌入式视觉系统中，合理选择图像类型至关重要。Halcon的convert_image_type支持所有类型间转换，但需注意精度损失：从16bit转8bit时，超出255的灰度值将被截断，而非缩放。

优化策略：在Blob分析流程中，建议遵循“采集→转换→处理→转换→显示”的链路。例如，相机输出12bit图像，先以uint2类型读取，进行阈值分割时使用threshold（支持uint2），得到区域后，仅将区域内的图像转为8bit用于显示，避免全图转换。此外，crop_domain可裁剪出ROI区域，减少后续处理的数据量。

// 内存优化示例：仅处理ROI区域
read_image(ImageRaw, 'high_dynamic.tif');
get_image_size(ImageRaw, W, H);
gen_rectangle1(Roi, H/4, W/4, 3*H/4, 3*W/4);
reduce_domain(ImageRaw, Roi, ImageCrop);
// 此时ImageCrop仅包含ROI数据，后续处理速度提升约4倍
threshold(ImageCrop, Region, 100, 500);

本章总结与常见误区复盘

本章围绕图像的四项核心属性展开，并映射到Halcon的具体操作。像素与灰度是图像的基本构成，分辨率决定了检测精度与数据量，颜色空间为多通道处理提供灵活手段，而Halcon的HObject对象模型则封装了这些底层细节。以下为常见误区汇总：

• 误区一：混淆行列坐标与XY坐标，导致ROI定位错误。解决：始终牢记Halcon中Row在前、Column在后。
• 误区二：忽略图像类型转换的精度损失。解决：16bit转8bit时，先通过min_max_gray获取灰度范围，再使用scale_image进行线性拉伸。
• 误区三：在彩色图像上直接进行灰度阈值分割。解决：先通过decompose3提取单通道，或转换到HSV后使用H通道。
• 误区四：未利用图像域（Domain）导致处理速度慢。解决：使用reduce_domain或change_domain限定处理区域。
• 误区五：内存管理不当，长时间运行导致内存泄漏。解决：在循环中及时clear_obj不再使用的临时对象。