4. 图像增强与滤波算法优化
在复杂视觉项目中，图像增强与滤波往往不是“先做一步预处理”这么简单，而是决定后续定位、测量、OCR、缺陷检测能否稳定工作的关键环节。HALCON 提供了大量算子，但真正困难的是：面对噪声、对比度不足、光照不均这三类常见问题，如何判断问题本质，选择正确的算子，并把参数调到既能抑制干扰又不破坏目标特征。
一、先判断问题类型，再选算子
三类问题的表现和应对方向完全不同。噪声表现为像素值随机波动，通常需要平滑或频域抑制；对比度不足表现为目标与背景灰度差过小，需要拉伸或增强；光照不均表现为背景灰度呈渐变或局部过亮过暗，需要先做背景校正再增强。实际图像中三者常同时出现，因此处理顺序通常是：先校正光照不均，再抑制噪声，最后增强对比度。顺序颠倒会导致噪声被放大或背景校正失效。
二、光照不均：背景估计与校正
光照不均的典型表现是背景灰度从一侧到另一侧缓慢变化，或中心亮、边缘暗。此时直接做阈值分割，背景会被误判为目标。HALCON 中常用 estimate_background_illumination 或 mean_image 配合大尺寸掩膜来估计背景，再用 sub_image 做差分校正。
* 估计背景光照（掩膜尺寸需大于目标尺寸）
mean_image (Image, Background, 61, 61)
* 背景校正：原图减去背景，再加偏移量
sub_image (Image, Background, Corrected, 1.0, 128)
* 可选：再做对比度拉伸
scale_image (Corrected, Enhanced, 1.5, -30)关键参数是背景估计的掩膜尺寸。若目标宽度约 20 像素，掩膜应取 41~81 像素，确保背景估计不“吸收”目标。校正后应观察背景是否趋于均匀：可在背景区域取一个矩形 ROI，计算其灰度标准差，若标准差从校正前的 15 以上降到 3 以内，说明校正有效。
三、噪声抑制：空间域与频域的选择
噪声类型决定算子选择。高斯噪声适合 gauss_filter 或 binomial_filter；椒盐噪声适合 median_image；而需要保边时，bilateral_filter 或 guided_filter 更合适。频域方法如 fft_image + 低通滤波适合周期性噪声，但计算量大，通常用于离线分析。
以 median_image 为例，掩膜半径 Radius 取 1~3 较常见。半径过大会抹掉细小缺陷。判断依据：在噪声区域计算灰度标准差，滤波后应显著下降；同时在目标边缘处用 edges_sub_pix 提取边缘，若边缘位置偏移超过 0.5 像素，说明滤波过度。
median_image 半径 2 和 gauss_filter 尺寸 5，对比两者在目标边缘处的梯度幅值。若边缘梯度下降超过 30%，应减小滤波强度或改用保边滤波。四、对比度增强：线性拉伸与直方图均衡
对比度不足时，目标与背景灰度差可能只有 10~20 灰度级。线性拉伸 scale_image 通过 Mult 和 Add 两个参数调整：Mult 控制斜率，Add 控制偏移。例如 Mult=2.0, Add=-100 可将 [80,140] 拉伸到 [60,180]。直方图均衡 equ_histo_image 适合整体偏暗或偏亮的图像，但可能放大背景噪声。
更精细的做法是使用 scale_image_max 自动拉伸到最大范围，或使用 emphasize 增强高频细节。参数调优时，应观察直方图：若直方图集中在窄区间，拉伸后应展宽；若出现大量饱和像素（0 或 255），说明 Mult 过大，需回调。
五、参数调优的验证闭环
调参不能只看视觉效果，必须回到任务指标。建议建立如下验证流程：
- 背景均匀性：在背景 ROI 内计算灰度标准差，目标值 < 3。
- 目标对比度：目标与背景平均灰度差，目标值 > 40。
- 边缘保真度：滤波前后边缘位置偏移 < 0.5 像素。
- 噪声水平：平坦区域灰度标准差下降 > 50%。
- 最终任务指标：阈值分割后的区域面积波动 < 5%，或匹配得分 > 0.8。
以下是一个可参考的参数记录表，用于对比不同算子组合的效果。表中数值为示例假设，实际项目需根据图像采集条件重新测量。
| 问题类型 | 候选算子 | 关键参数 | 背景标准差 | 目标对比度 | 边缘偏移 | 结论 |
|---|---|---|---|---|---|---|
| 光照不均 | mean_image + sub_image | 掩膜 61×61 | 2.1 | 52 | 0.2 px | 通过 |
| 高斯噪声 | gauss_filter | 尺寸 5 | 2.8 | 48 | 0.4 px | 通过 |
| 椒盐噪声 | median_image | 半径 2 | 2.5 | 50 | 0.3 px | 通过 |
| 对比度不足 | scale_image | Mult=2.0, Add=-100 | 2.3 | 85 | 0.1 px | 通过 |
| 组合处理 | 背景校正+中值+拉伸 | 61×61 / r=2 / 2.0 | 1.9 | 90 | 0.3 px | 推荐 |
equ_histo_image 会改变整体灰度分布，若后续使用基于灰度绝对值的阈值，应改用 scale_image 或 scale_image_max，避免阈值失效。频域滤波后需用 fft_image_inv 反变换，并检查是否引入振铃伪影。六、实操建议与常见误区
实际项目中，建议先用 inspect_histogram 或 gray_histo 查看灰度分布，再决定增强策略。若直方图呈双峰但峰间距离小，优先线性拉伸；若单峰且偏暗，优先直方图均衡；若背景呈梯度，必须先做背景校正。常见误区包括：先滤波后校正光照，导致背景估计被噪声干扰；掩膜尺寸小于目标尺寸，把目标当成背景减掉；对比度拉伸过度，导致饱和像素丢失细节。
参数调优没有万能值，但可以遵循“先粗后细、先全局后局部”的原则：先用大范围参数观察趋势，再在目标 ROI 内微调；每次只改一个参数，记录背景标准差、目标对比度和边缘偏移三个指标，直到满足任务要求。最终交付的应是一组可复现的参数组合，而不是一张“看起来不错”的增强图。