2. 图像处理基础

在机器视觉与2D对位算法体系中，图像处理基础决定了后续特征提取、模板匹配与坐标计算的精度上限。Halcon作为工业级机器视觉算法库，其图像类型管理、灰度变换策略、阈值分割逻辑与形态学操作能力，构成了对位算法工程师必须熟练掌握的核心工具箱。本章将围绕这四个基础模块，从原理剖析到Halcon算子实战，结合对位场景中的典型问题，帮助学习者建立扎实的图像预处理能力。

2.1 图像类型：Halcon中的数据结构与类型转换

核心原理

Halcon的图像数据结构以HObject为核心，其底层存储与图像类型（Image Type）紧密相关。常见的图像类型包括：byte（8位无符号，灰度范围0-255）、uint2（16位无符号，常用于高动态范围或深度图）、int1（8位有符号）、int2（16位有符号）、real（32位浮点，用于亚像素精度计算）、complex（复数，用于频域分析）以及vector_field（矢量场，用于光流或畸变校正）。在2D对位场景中，byte类型是最常用的输入格式，但经过灰度变换或滤波后，图像可能被转换为real类型以保留小数精度。

判断方法与操作流程

在Halcon中，使用get_image_type查询图像类型，使用convert_image_type进行类型转换。操作流程如下：

1. 读取图像：read_image (Image, 'path')，此时图像类型由文件格式决定。
2. 查询类型：get_image_type (Image, Type)，判断是否为byte类型。
3. 类型转换：若需浮点运算，使用convert_image_type (Image, ImageReal, 'real')。
4. 域管理：使用change_domain或reduce_domain限定处理区域，减少计算量。

案例拆解：多类型图像统一处理

某3C装配产线中，视觉系统需要同时处理12位工业相机输出的uint2图像与8位普通相机输出的byte图像。若直接使用同一套阈值参数，会导致分割结果不一致。解决方案是：先将uint2图像通过scale_image映射到0-255范围，再转换为byte类型，确保后续算法输入一致。关键代码片段如下：

read_image (ImageUint2, 'camera_12bit.tif')
get_image_type (ImageUint2, Type)  // 返回 'uint2'
scale_image (ImageUint2, ImageScaled, 255.0/4095.0, 0)
convert_image_type (ImageScaled, ImageByte, 'byte')

常见误区与总结

2.2 灰度变换：对比度增强与亮度校正

核心原理

灰度变换通过像素值的数学映射改善图像质量。在2D对位中，光照不均、反光、阴影等因素会导致目标边缘对比度不足。Halcon提供scale_image（线性缩放）、scale_image_max（自动拉伸至最大动态范围）、gamma_image（伽马校正）以及lut_trans（自定义查找表）等算子。线性变换公式为：g(x,y) = a * f(x,y) + b，其中a控制对比度，b控制亮度偏移。

操作流程与参数选择

实战场景：反光表面的标记提取

在手机中框对位中，金属表面反光导致Mark点边缘灰度波动。初始图像中，Mark点灰度约180，背景约220，对比度仅40。使用scale_image将增益设为2.5，偏移设为-200，使对比度提升至100。随后使用gamma_image（Gamma=0.8）进一步压暗背景，最终Mark点与背景灰度差达到150，阈值分割稳定性显著提升。

2.3 阈值分割：从全局到动态的进阶路径

核心原理

阈值分割将灰度图像转换为二值区域，是目标提取的核心步骤。Halcon提供threshold（固定阈值）、binary_threshold（自动阈值，支持Otsu、Smooth等算法）、dyn_threshold（动态阈值，基于局部均值比较）和var_threshold（基于局部标准差）。在2D对位中，Mark点、定位孔、边缘特征通常通过阈值分割提取候选区域。

判断方法与选择逻辑

• 光照稳定、目标与背景灰度差大：优先使用binary_threshold的Otsu方法。
• 光照不均、背景灰度渐变：使用dyn_threshold，配合平滑滤波（如mean_image）生成参考图像。
• 目标灰度局部变化大：使用var_threshold，设置标准差阈值。

案例拆解：动态阈值解决环形光阴影

在PCB板对位中，环形光源造成板边阴影，固定阈值无法同时提取中心Mark点与边缘定位孔。初始使用threshold (Image, Region, 128, 255)，结果Mark点区域破碎，边缘孔洞被阴影吞没。改用动态阈值方案：

mean_image (Image, ImageMean, 21, 21)
dyn_threshold (Image, ImageMean, RegionDyn, 8, 'dark')
connection (RegionDyn, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500, 99999)

通过21×21均值滤波生成背景估计，偏移量8作为灵敏度，成功分离出完整Mark点与定位孔。处理时间增加约15%，但分割准确率从72%提升至98%。

2.4 形态学操作：区域净化与结构重建

核心原理

形态学操作基于结构元素（Structuring Element）对二值区域进行几何变换。基础操作包括：腐蚀（消除边界点，分离粘连目标）、膨胀（填充内部孔洞，连接断裂区域）、开运算（先腐蚀后膨胀，去除毛刺）、闭运算（先膨胀后腐蚀，填充凹坑）。Halcon中常用erosion_circle、dilation_circle、opening_circle、closing_circle，结构元素半径以像素为单位。

操作流程与参数选择

1. 分割后区域先执行connection，将连通域拆分为独立区域。
2. 使用select_shape按面积、宽度、高度等特征过滤噪声。
3. 对保留区域执行closing_circle填充内部孔洞，半径设为2-3像素。
4. 使用opening_circle去除边缘毛刺，半径设为1-2像素。

实战场景：Mark点边缘毛刺处理

在晶圆对位中，Mark点经阈值分割后边缘存在锯齿状毛刺，直接影响圆心拟合精度。初始区域面积约1200像素，但边缘粗糙度导致圆心坐标波动±0.3像素。处理流程：

closing_circle (Region, RegionClosed, 3.5)
opening_circle (RegionClosed, RegionOpened, 1.5)
fit_circle_contour_xld (RegionOpened, 'algebraic', -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)

闭运算填充了边缘凹陷，开运算去除了孤立毛刺。处理后圆心坐标波动降至±0.05像素，满足±0.1像素的对位精度要求。

2.5 综合实战：图像预处理链路在2D对位中的完整应用

场景描述与约束

某新能源电池模组产线，需要定位极耳位置进行焊接。相机采集图像为1280×1024的byte灰度图，极耳区域灰度约200，背景约80，但存在以下干扰：①极耳表面有压花纹理，灰度波动±30；②背景有反光斑点，灰度可达150；③光照随产线振动轻微变化。对位精度要求±0.2mm（约±2像素）。

初始现象与目标

直接使用binary_threshold的Otsu方法，分割结果包含大量反光斑点，极耳区域边缘破碎。目标是通过预处理链路，获得完整、平滑的极耳区域，并稳定输出中心坐标。

关键参数与操作步骤

结果对比与复盘

优化前：极耳区域面积波动±15%，中心坐标标准差0.8像素，焊接良率92%。优化后：面积波动±3%，中心坐标标准差0.15像素，焊接良率99.5%。关键成功因素：①中值滤波有效抑制纹理噪声，且不破坏边缘；②闭运算半径5像素恰好覆盖极耳边缘最大断裂间隙；③开运算半径2像素在去除反光斑点的同时，未影响极耳主体区域。