2. 机器视觉基础
在进入HALCON形状匹配与VC++联合开发之前，必须先建立统一的视觉语言。形状匹配的本质是在数字图像中寻找已知几何特征的过程，而这一过程完全建立在图像采集、像素空间、灰度分布和边缘轮廓这四个基础支柱之上。如果这些概念理解不透彻，后续的模板创建、匹配参数调优和坐标转换都会变成盲目的试错。本章将系统梳理从物理世界到数字图像的映射链路，并重点剖析HALCON中图像坐标系与像素坐标系的关系，为后续基于VC++的定位程序开发打下坚实的理论地基。
2.1 图像采集：从物理世界到数字图像的映射
图像采集是机器视觉系统的第一环，其质量直接决定了后续所有算法的上限。在HALCON开发中，我们通常通过GigE Vision、USB3 Vision或Camera Link接口获取图像。工业相机输出的原始数据是RAW格式，经过ISP（图像信号处理器）处理后转换为Bayer格式或RGB格式，最终在HALCON中通过grab_image或grab_image_async算子采集为HObject类型的图像对象。
采集过程中需要关注三个核心参数：曝光时间、增益和光圈。曝光时间控制进光量，增益放大电信号，光圈调节镜头通光口径。在高速运动场景下，曝光时间过短会导致图像过暗，过长则产生运动模糊。HALCON中可以通过set_framegrabber_param设置相机参数，例如：
open_framegrabber('GigEVision', 0, 0, 0, 0, 0, 0, 'default', -1, 'default', -1, 'false', 'Camera1', 0, -1, AcqHandle)
set_framegrabber_param(AcqHandle, 'ExposureTime', 5000) // 单位微秒
set_framegrabber_param(AcqHandle, 'Gain', 12.0)采集环节的常见误区是忽视光源设计。对于形状匹配而言，均匀漫射光通常优于点光源，因为前者能减少镜面反射造成的灰度饱和。在VC++集成开发中，建议将相机参数配置写入XML配置文件，避免硬编码。
grab_image_async配合set_framegrabber_param('grab_timeout', 5000)可以避免采集超时导致的程序挂死。对于高速产线，建议使用双缓冲或多缓冲机制，确保图像采集与处理并行。
2.2 像素与坐标系：理解行列与物理世界的转换
数字图像由像素矩阵构成，HALCON中图像坐标系以左上角为原点，Row表示行坐标（向下增加），Column表示列坐标（向右增加）。这与数学中常见的笛卡尔坐标系不同，初学者容易混淆。在形状匹配中，模板创建时记录的是像素坐标，而最终输出给机器人或PLC的必须是世界坐标（毫米或度）。
坐标转换涉及三个层次：像素坐标（图像中的行列位置）、图像坐标（以图像中心为原点的物理坐标，单位mm）、世界坐标（相机坐标系或机器人坐标系）。HALCON提供calibrate_cameras和camera_calibration算子完成标定，核心是计算内参（焦距、主点、畸变系数）和外参（旋转矩阵、平移向量）。
| 坐标系 | 原点位置 | 单位 | 典型应用 |
|---|---|---|---|
| 像素坐标 (Row, Col) | 图像左上角 | 像素 (pixel) | 模板匹配、ROI定义 |
| 图像坐标 (X, Y) | 图像中心 | 毫米 (mm) | 测量、尺寸检测 |
| 世界坐标 (Xw, Yw, Zw) | 相机/机器人基座 | 毫米/度 | 机器人引导、定位 |
在VC++开发中，坐标转换通常封装为独立的类，例如CCoordinateTransform，内部维护标定矩阵。一个典型的转换流程是：先通过find_shape_model获得模板在图像中的像素坐标（Row, Col, Angle），再调用image_points_to_world_plane转换为世界坐标。
2.3 灰度与二值化：从连续灰度到离散区域的转换
灰度图像每个像素的取值范围为0~255，0表示纯黑，255表示纯白。二值化是将灰度图像转换为只有0和255两个值的图像，目的是分离目标与背景。HALCON中threshold算子是最基础的二值化方法，其原理是选取一个阈值T，将灰度值大于T的像素设为255，小于等于T的设为0。
实际应用中，全局阈值往往无法应对光照不均的情况。此时需要采用局部自适应阈值，HALCON提供dyn_threshold算子，它通过比较原图与平滑后的背景图来动态确定阈值。对于形状匹配而言，二值化并非必须步骤，因为HALCON的形状匹配算法直接基于灰度梯度工作，但二值化常用于预处理和ROI提取。
// 全局阈值
threshold(Image, Region, 128, 255)
// 动态阈值
mean_image(Image, ImageMean, 21, 21)
dyn_threshold(Image, ImageMean, RegionDyn, 15, 'dark')二值化后的区域可能存在噪点和孔洞，常用connection分割连通域，select_shape按面积、宽度等特征筛选目标区域。在VC++集成时，建议将阈值参数暴露为界面可调项，方便现场调试。
dyn_threshold配合高斯平滑（σ=3），成功将定位精度从±0.5mm提升到±0.15mm。关键参数是平滑核大小，过小则噪声放大，过大则丢失细节。
2.4 边缘与轮廓：形状匹配的核心特征
边缘是图像中灰度发生剧烈变化的位置，对应物体的物理边界。HALCON中edges_sub_pix算子使用Canny或Deriche算法提取亚像素精度边缘，输出为XLD（eXtended Line Description）轮廓。亚像素精度意味着边缘位置可以精确到0.1像素甚至更高，这是形状匹配能够达到高精度的基础。
轮廓提取后，通常需要经过segment_contours_xld分割为直线段和圆弧，再用fit_line_contour_xld或fit_circle_contour_xld拟合几何基元。形状匹配的模板正是基于这些轮廓特征构建的，HALCON的create_shape_model会计算轮廓点的梯度方向和幅度，生成多分辨率金字塔模型。
| 算子 | 功能 | 输出类型 | 适用场景 |
|---|---|---|---|
| edges_sub_pix | 亚像素边缘提取 | XLD轮廓 | 高精度定位 |
| threshold | 灰度阈值分割 | Region区域 | 快速ROI提取 |
| select_shape | 区域特征筛选 | Region区域 | 去除噪点 |
| fit_circle_contour_xld | 圆拟合 | 几何参数 | 圆形工件定位 |
边缘提取的常见误区是过度依赖单一算法。对于低对比度场景，建议先增强对比度（emphasize算子），再提取边缘。在VC++开发中，XLD轮廓数据量较大，建议在模板创建阶段完成轮廓简化，减少运行时计算负担。
Low和High）设置不当会导致边缘断裂或伪边缘。建议使用HALCON的edges_sub_pix自动阈值模式（'canny'），并通过contour_point_num_xld检查轮廓点数，确保轮廓完整性。
2.5 案例拆解：手机中框定位中的基础概念应用
以手机中框的视觉定位为例，该工件为矩形金属框，表面有高光倒角，背景为黑色吸光材料。项目要求定位精度±0.05mm，节拍2秒/件。初始方案直接使用全局阈值分割，结果在倒角区域出现大量反光噪点，导致模板匹配失败。
分析过程：首先检查图像灰度直方图，发现目标与背景灰度重叠严重，无法用单一阈值分离。改用edges_sub_pix提取亚像素边缘，但高光区域产生伪边缘。最终方案是：先使用gauss_filter平滑图像，再提取边缘，然后通过select_contours_xld按轮廓长度和方向筛选，保留矩形四边轮廓。
关键参数设置：高斯滤波核5×5，Canny阈值Low=20，High=40，轮廓长度筛选范围200~500像素。匹配时使用create_shape_model创建金字塔模型，金字塔层数4层，最小对比度10。实际运行结果：匹配耗时85ms，定位精度±0.03mm，满足产线需求。