3、ROI基本概念：ROI的定义、类型（矩形、圆形、任意多边形）、在Halcon中的表示方式

在机器视觉项目中，ROI（Region of Interest，感兴趣区域）是图像处理流程中第一个也是最重要的"聚焦"工具。它的本质是从整幅图像中划出一块子区域，让后续的灰度分析、边缘提取、模板匹配、缺陷检测等算法只在该区域内执行，从而大幅减少计算量、抑制背景干扰、提升检测稳定性。在Halcon中，ROI不仅是一个"框选"动作，更是一种被严格定义的数据结构——它可以是矩形、圆形、椭圆、任意多边形，甚至是基于灰度阈值分割出的不规则连通域。理解ROI的数学定义、类型差异以及Halcon中的底层表示方式，是后续进行动态ROI设置和坐标系统一的前提。本章将系统拆解ROI的核心概念，并深入Halcon的region（区域）与XLD（亚像素轮廓）两种表示体系。

上图展示了ROI在Halcon中的核心地位：左侧是图像中常见的三种几何ROI形态，右侧对应Halcon内部的两大数据结构——Region（像素级区域）和XLD（亚像素轮廓）。需要特别强调的是，Halcon中所有ROI的坐标定义均遵循（Row, Column）即（行, 列）的约定，这与传统的笛卡尔坐标系（X, Y）有本质区别，也是后续坐标系统一章节的关键基础。

3.1 ROI的核心定义与本质

核心原理：ROI在Halcon中并非一个简单的"框"，而是一个二值掩膜（Binary Mask）。从数学角度看，一个ROI区域R可以定义为图像域I上的一个子集，对于图像中的任意像素p(x, y)，若p∈R，则该像素参与后续计算；若p∉R，则该像素被忽略。这种掩膜机制使得ROI操作在底层实现上极为高效——Halcon通过行程编码（Run-Length Encoding）对区域进行压缩存储，而非逐像素布尔矩阵。

ROI的本质价值体现在三个维度：

• 计算聚焦：将算法限制在关键区域，例如在1920×1080的图像中，若ROI仅为300×200像素，则计算量减少至原来的约2.9%。
• 干扰抑制：排除背景、噪声、无关物体对检测结果的干扰，提升信噪比。
• 语义定义：ROI本身即是对"检测目标在哪里"的量化描述，是后续坐标系统一、标定、测量等操作的几何基准。

3.2 ROI的三大类型与Halcon表示方式

判断方法/操作流程：根据几何形态，ROI可分为矩形、圆形（含椭圆）、任意多边形三大类。在Halcon中，每种类型都有对应的创建操作符和底层数据结构。

ROI类型	Halcon创建操作符	参数说明	底层表示	适用场景
矩形（轴对齐）	gen_rectangle1	(Row1, Column1, Row2, Column2) 左上与右下角点	Region（像素集合）	规则视野、芯片引脚、PCB焊盘
矩形（旋转）	gen_rectangle2	(Row, Column, Phi, Length1, Length2) 中心点、角度、半宽半高	Region（像素集合）	倾斜安装的元件、二维码区域
圆形	gen_circle	(Row, Column, Radius) 圆心与半径	Region（像素集合）	瓶盖检测、轴承滚珠、定位圆孔
椭圆	gen_ellipse	(Row, Column, Phi, Radius1, Radius2) 中心、角度、长短轴	Region（像素集合）	透视变形后的圆形目标
任意多边形	gen_region_polygon	输入一系列角点坐标 (Row[], Column[])	Region（像素集合）	异形玻璃轮廓、复杂工件边缘
任意多边形（亚像素）	gen_contour_polygon_xld	输入一系列角点坐标 (Row[], Column[])	XLD（亚像素轮廓）	高精度测量、边缘拟合、标定板

在Halcon的底层实现中，Region和XLD是两种截然不同的数据结构：

• Region（区域）：以像素为最小单位，存储的是满足条件的像素坐标集合。其优点是处理速度快、内存占用低（行程编码），适合做形态学处理、连通域分析、面积筛选等操作。但精度受限于像素分辨率。
• XLD（eXtended Line Description，扩展线描述）：以浮点坐标存储轮廓点，精度达到亚像素级别。其优点是精度高，适合做边缘拟合、几何测量、模板匹配。但内存占用较大，处理速度相对较慢。

3.3 案例拆解：多类型ROI在PCB定位项目中的综合应用

案例背景与约束：某电子制造企业需要检测PCB板上的芯片引脚共面性，相机分辨率为2448×2048，视野覆盖整块PCB（约200mm×160mm）。初始方案直接对全图进行引脚边缘提取，耗时约850ms，且因板面丝印、过孔等干扰导致误检率高达12%。项目要求检测节拍≤300ms，误检率≤1%。

初始现象与目标：全图处理速度不达标，且背景干扰严重。目标是通过ROI策略将处理时间压缩至300ms以内，同时消除背景干扰。

分析判断过程：

1. 首先，PCB板在夹具中位置固定，但存在±2mm的平移和±0.5°的旋转偏差，因此不能使用固定像素坐标的静态ROI。
2. 其次，芯片引脚区域为矩形，但PCB板整体有倾斜，需使用旋转矩形ROI（gen_rectangle2）。
3. 引脚本身为圆形焊盘，需在旋转矩形ROI内部再使用圆形ROI进行精确提取。
4. 板边有异形定位孔，需使用多边形ROI进行基准定位。

实际操作步骤：

// Step1: 读取图像
read_image (Image, 'pcb_board.png')
// Step2: 使用模板匹配定位PCB板中心与角度
create_shape_model (ModelID, 'pcb_model.shm')
find_shape_model (Image, ModelID, 0, 360, 0.8, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
// Step3: 基于定位结果生成旋转矩形ROI（芯片区域）
gen_rectangle2 (ChipROI, Row, Column, Angle, 80, 60)
// Step4: 缩小图像域至芯片区域
reduce_domain (Image, ChipROI, ImageReduced)
// Step5: 在ROI内提取引脚边缘（亚像素）
edges_sub_pix (ImageReduced, Edges, 'canny', 1.5, 20, 40)
// Step6: 对每条边缘拟合圆形，获取引脚中心坐标
fit_circle_contour_xld (Edges, 'algebraic', -1, 0, 0, 3, 2, RowCenter, ColCenter, Radius, StartPhi, EndPhi, PointOrder)
// Step7: 计算引脚共面性偏差
tuple_max (RowCenter, MaxRow)
tuple_min (RowCenter, MinRow)
CoplanarityDeviation := MaxRow - MinRow

结果对比与复盘：

指标	全图处理（优化前）	ROI策略（优化后）	提升幅度
处理耗时	850ms	245ms	↓71.2%
误检率	12%	0.8%	↓93.3%
引脚中心定位精度	±0.15mm	±0.02mm	精度提升7.5倍

风险与代价：ROI策略引入了对模板匹配定位结果的依赖，若模板匹配失败（如PCB板严重脏污），则ROI位置错误导致检测失败。为此，需增加定位结果置信度校验（Score阈值）和ROI越界检查。

复盘经验：ROI的层级化设计（先粗定位→再精提取）是工业视觉的通用范式。矩形ROI负责"粗切"，圆形ROI负责"精提"，多边形ROI负责"基准"，三者协同才能兼顾速度与精度。

3.4 常见误区与总结复盘

常见误区清单：

• 误区一：混淆Region与XLD。Region是像素集合，XLD是亚像素轮廓。对Region调用fit_circle_contour_xld会报错，必须先通过gen_contour_region_xld转换。
• 误区二：忽略坐标顺序。Halcon中所有几何操作符的参数顺序均为(Row, Column)，而非(X, Y)。例如gen_circle (Circle, Row, Column, Radius)，若误将X坐标传给Row参数，会导致ROI位置偏移。
• 误区三：静态ROI用于动态场景。当工件位置有微小波动时，固定像素坐标的ROI会切掉目标边缘。应使用模板匹配或标定结果动态更新ROI参数。
• 误区四：ROI越小越好。过小的ROI可能因边缘定位误差导致目标部分超出ROI边界，反而引入截断误差。建议ROI边缘与目标边缘保留5-10像素的安全余量。
• 误区五：忽视ROI的"域"属性。在Halcon中，reduce_domain操作会改变图像的Domain（有效区域），后续所有操作符默认只处理Domain内的像素。若未正确理解Domain传递机制，可能出现"处理结果为空"的困惑。

总结复盘：ROI是Halcon图像处理的"第一块拼图"。掌握ROI的定义、类型和底层表示，意味着你能够：

1. 根据检测目标形态选择最合适的ROI类型（矩形/圆形/多边形）。
2. 理解Region与XLD的精度差异，在速度与精度之间做出正确权衡。
3. 建立"先定位、后ROI、再分析"的工程思维，为后续动态ROI设置和坐标系统一打下坚实基础。