4. 图像预处理算子选型与加速

在 HALCON 高速视觉应用中，预处理往往不是“精度瓶颈”，而是“节拍瓶颈”。一条 500 万像素、8 bit 灰度图的生产线，若把 rgb1_to_gray、gauss_filter、gray_opening_rect、threshold 四个算子串起来，单帧耗时可能从 3 ms 膨胀到 20 ms 以上，直接吃掉相机 200 fps 的采集余量。本节围绕这四类预处理算子，讨论它们的耗时构成、选型依据与可落地的替代方案。

一、四类算子的耗时构成与量级

先建立量级概念。以下数据为在典型工控机（Intel i7-12700，HALCON 24.11，单线程，图像 2448×2048）上的示例性参考值，用于说明相对关系，实际值需以现场 count_seconds 或 get_system_time 实测为准：

关键结论：滤波与形态学是耗时大户，阈值分割几乎免费。优化重心应放在前两者，而不是反复调阈值参数。

二、灰度变换：能省则省，能前置则前置

灰度变换包括 rgb1_to_gray、rgb3_to_gray、scale_image、invert_image、equ_histo_image 等。它们的共同特征是逐像素、无邻域依赖，因此耗时与像素数严格成正比。

实践中有三条加速路径。第一，把转换推到采集端：多数工业相机支持在 FPGA 内完成 Bayer→Gray 或 RGB→Gray，输出即单通道，主机侧直接省掉 1.5～3 ms。第二，用查找表替代逐像素运算：当灰度变换是固定映射（如 scale_image 的线性拉伸）时，可用 lut_trans 配合 256 项 LUT，把乘法降为查表。第三，合并同类项：若后续还要做 scale_image，可把增益与偏移直接写进 rgb1_to_gray 的权重参数，避免两次遍历。

三、滤波：可分离性与结构元尺寸决定一切

滤波算子的耗时由“邻域大小 × 是否可分离 × 数据类型”三者决定。gauss_filter 内部已做可分离优化，5×5 与 7×7 的差距并不悬殊；但 median_image 这类排序滤波无法分离，7×7 中值滤波的耗时可能是同尺寸高斯滤波的 5～8 倍。

替代方案按优先级排列：

• 降采样后再滤波：若目标特征尺寸大于 4 像素，可先 zoom_image_factor 缩小 2 倍，滤波后再放大回原尺寸做定位。示例：2448×2048 缩到 1224×1024，gauss_filter 耗时约降为 1/4。
• 用 binomial_filter 替代 gauss_filter：二项式系数为整数，无浮点运算，在 σ 较小时速度更快，且对边缘的平滑特性接近高斯。
• 用 mean_image 替代：当只需抑制随机噪声、不关心频率响应时，均值滤波可用积分图实现，大窗口下反而比高斯快。
• ROI 裁剪：若只关心图像中 20% 区域，先 reduce_domain 再滤波，耗时按面积比例下降。

四、形态学：结构元尺寸是平方级成本

gray_opening_rect、gray_closing_rect、gray_erosion_rect 等矩形结构元形态学算子，其耗时大致与结构元宽高的乘积成正比。15×15 的开运算比 5×5 慢约 9 倍，这是很多工程师在“把结构元调大一点去噪”时踩到的坑。

加速策略有三条。其一，拆分为腐蚀+膨胀：gray_opening_rect 本质是 gray_erosion_rect 后接 gray_dilation_rect，若中间结果还要复用（例如同时需要腐蚀图和开运算图），拆开可避免重复计算。其二，用行列分离结构元：矩形结构元可分解为水平与垂直两次一维操作，HALCON 的 *_rect 系列已内部优化，但自定义结构元时需注意。其三，改用 rank_image 或 median_image：当形态学目的是去小噪点时，中值滤波往往能以更小窗口达到类似效果。

五、阈值分割：几乎免费，但可合并

threshold 是单次遍历算子，2448×2048 图像约 0.5～1.5 ms，通常不是优化重点。但有两个细节值得注意：一是 fast_threshold 在满足条件时提前退出，对高对比度图像更快；二是若阈值后紧接 connection 或 select_shape，可考虑用 threshold_sub_pix 或直接在 ROI 内做阈值，减少连通域数量。

六、选型决策与实测方法

面对一个具体任务，建议按以下顺序决策：先确认是否可用相机端硬件完成灰度转换；再判断滤波是否可降采样或换用二项式；然后检查形态学结构元能否缩小或拆分；最后才考虑阈值参数。每一步都用 count_seconds 实测，而不是凭经验估算。

count_seconds (T1)
rgb1_to_gray (Image, GrayImage)
count_seconds (T2)
gauss_filter (GrayImage, Filtered, 3)
count_seconds (T3)
threshold (Filtered, Region, 80, 255)
count_seconds (T4)
* 各段耗时：T2-T1、T3-T2、T4-T3

下图给出四类算子的耗时占比与替代路径关系，可作为现场选型的快速参照。

把上述方法落到一个具体案例：某连接器引脚检测，原流程为 rgb1_to_gray → gauss_filter(5×5) → gray_opening_rect(9×9) → threshold，单帧 18 ms。优化后：相机改为输出灰度图（省 2 ms），高斯改为 binomial_filter(5×5)（省 3 ms），形态学结构元缩为 5×5 并只在引脚 ROI 内执行（省 7 ms），总耗时降至约 6 ms，满足 120 fps 节拍。这个案例说明：预处理加速的收益主要来自“换算子、缩范围、前置硬件”，而不是微调参数。

最后强调一个工程习惯：每次修改预处理链后，都要用同一帧图像、同一硬件、同一 HALCON 版本重新计时，并记录各算子耗时占比。只有把耗时数据固化下来，才能在后续增加新算子时快速判断是否超出节拍预算。