3、图像预处理基础：灰度化、滤波、直方图均衡、对比度增强、形态学操作在Mark点图像中的应用

Mark点定位是视觉引导自动化设备的核心环节，其精度与稳定性直接取决于图像预处理的合理性。在Halcon中，Mark点通常为圆形或十字形，但实际采集到的图像往往受光照不均、噪声干扰、背景纹理复杂等因素影响。本章将系统讲解灰度化、滤波、直方图均衡、对比度增强与形态学操作在Mark点图像中的具体应用，帮助读者建立一套从原始图像到高质量二值化输入的完整预处理链路。

3.1 灰度化：从多通道到单通道的降维处理

核心原理

工业相机输出彩色图像时，每个像素包含R、G、B三个通道，而Mark点定位本质上只关注亮度梯度信息。灰度化将三维彩色空间映射到一维灰度空间，公式为 Gray = 0.299R + 0.587G + 0.114B。Halcon中常用 rgb1_to_gray 或 decompose3 提取单通道。对于Mark点而言，若背景为单一色调（如PCB绿色阻焊层），直接提取G通道往往比标准灰度化效果更好，因为绿色背景在G通道中亮度较高，而Mark点（通常为铜色或银色）在G通道中对比度更明显。

判断方法与操作流程

• 判断是否需要灰度化：若相机输出为黑白图像（如MV-CE060-10UC），则跳过此步；若为彩色图像，需检查Mark点与背景的颜色差异。
• 选择灰度化方式：标准加权灰度化适用于颜色差异不明显的场景；通道提取适用于背景颜色单一的场景。
• 验证灰度化效果：使用 min_max_gray 查看灰度范围，若Mark点与背景灰度差小于30，需考虑其他预处理手段。

案例拆解：PCB板Mark点灰度化

某SMT产线使用彩色面阵相机采集PCB板图像，Mark点为圆形铜箔，背景为绿色阻焊层。初始使用标准灰度化后，Mark点与背景灰度差仅为25，导致后续阈值分割不稳定。改用 decompose3 提取G通道后，由于绿色背景在G通道中亮度较高（约180），而铜色Mark点亮度较低（约90），灰度差提升至90，阈值分割稳定性显著提高。操作步骤：

1. 读取彩色图像 read_image (Image, 'pcb_color.png')；
2. 分解通道 decompose3 (Image, R, G, B)；
3. 选择G通道作为后续处理图像 select_obj (G, GrayImage)；
4. 使用 min_max_gray 验证灰度分布。

常见误区与复盘

3.2 滤波去噪：保留边缘的同时抑制干扰

核心原理

滤波的本质是邻域像素的加权运算。Mark点图像中的噪声主要来自传感器暗电流、环境光波动和电路板表面纹理。高斯滤波对高斯噪声抑制效果好，但会模糊边缘；中值滤波对椒盐噪声和孤立点噪声效果显著，且能较好保留边缘；均值滤波简单但易模糊细节。对于Mark点定位，推荐优先使用 median_image 或 gauss_filter，具体选择需根据噪声类型判断。

判断方法与操作流程

案例拆解：Mark点边缘模糊问题

某视觉定位项目中，Mark点直径为2mm，使用500万像素相机拍摄，图像中Mark点边缘存在约2像素的模糊带。初始使用7×7高斯滤波后，边缘进一步模糊，导致圆心定位误差达到0.05mm。分析发现噪声主要为环境光波动引起的低频干扰，而非高频随机噪声。改用5×5中值滤波后，边缘保持良好，定位误差降至0.02mm。关键参数：median_image (Image, ImageMedian, 'circle', 3, 'mirrored')，其中圆形掩模比矩形掩模更符合Mark点形状。

常见误区与复盘

3.3 直方图均衡与对比度增强：提升Mark点与背景的区分度

核心原理

直方图均衡通过累积分布函数重新映射灰度级，使输出图像的直方图近似均匀分布。对于Mark点图像，若光照不均匀导致局部过暗或过亮，均衡化能有效拉伸动态范围。对比度增强则通过线性拉伸（scale_image_max）或Gamma校正（scale_image）调整灰度映射曲线。Halcon中 equ_histo_image 实现直方图均衡，scale_image_max 将灰度范围拉伸至0-255。

判断方法与操作流程

1. 计算灰度直方图 gray_histo，观察灰度分布是否集中在狭窄区间；
2. 若灰度范围小于100，优先使用 scale_image_max 线性拉伸；
3. 若图像存在局部过暗或过亮区域，使用 equ_histo_image 进行全局均衡；
4. 若均衡后噪声被放大，可先滤波再增强，或使用局部自适应增强（如 illuminate）。

案例拆解：光照不均下的Mark点增强

某手机中框组装产线，Mark点位于金属表面，受环境光反射影响，图像左侧亮度为200，右侧亮度仅为80。直接使用固定阈值分割时，右侧Mark点无法检出。处理流程：

• 先使用 equ_histo_image 进行全局均衡，但发现右侧噪声被放大；
• 改用 scale_image_max 拉伸后，右侧Mark点灰度从80提升至160，但左侧过曝区域出现饱和；
• 最终采用 illuminate (Image, ImageIllum, 21, 21, 0.5) 进行背景估计与校正，将光照不均影响降至最低。

结果对比：均衡前右侧Mark点与背景灰度差为20，均衡后提升至75，定位成功率从82%提升至99.5%。

常见误区与复盘

3.4 形态学操作：净化二值化前的图像质量

核心原理

形态学操作基于集合论，通过结构元素与图像进行交、并运算。开运算（先腐蚀后膨胀）能去除孤立小噪点，同时保持Mark点原有尺寸；闭运算（先膨胀后腐蚀）能填补Mark点内部细小空洞，平滑边缘。对于Mark点图像，opening_circle 和 closing_circle 是最常用的算子，结构元素半径通常设为Mark点直径的1/10至1/5。

判断方法与操作流程

案例拆解：Mark点内部反光空洞修复

某激光打标Mark点，因材料反光导致中心区域灰度值偏低，二值化后出现内部空洞。直接使用 connection 提取区域时，Mark点被分割为多个区域。处理步骤：

1. 二值化后使用 closing_circle (Region, RegionClosing, 5) 填补空洞；
2. 使用 opening_circle (RegionClosing, RegionOpening, 3) 去除外部孤立噪点；
3. 通过 select_shape 筛选面积和圆度，最终获得完整Mark点区域。

修复前Mark点区域面积为1200像素，修复后为1350像素，圆心坐标偏移量小于0.01mm，满足定位精度要求。

常见误区与复盘

3.5 预处理链路综合实战与参数调优

核心原理

实际项目中，上述操作并非孤立使用，而是形成一条完整的预处理链路。典型流程为：灰度化 → 滤波 → 对比度增强 → 形态学操作 → 二值化。但链路顺序和参数需根据图像质量动态调整。例如，若图像噪声较大，应先滤波再增强；若光照不均严重，应先增强再滤波。

操作流程与参数调优策略

• 步骤1：采集10-20张不同光照、不同位置的Mark点图像作为测试集；
• 步骤2：对每张图像分别测试不同预处理组合，记录二值化后的Mark点面积、圆度、圆心坐标；
• 步骤3：计算各组合下圆心坐标的标准差，选择标准差最小的组合作为最优方案；
• 步骤4：使用Halcon的 optimize_aop 或手动调整参数，确保在极端光照下仍能稳定定位。

案例拆解：多型号PCB板Mark点通用预处理方案

某FPC产线需兼容5种不同颜色的基板（绿色、黑色、黄色、白色、蓝色），Mark点均为圆形铜箔。若为每种基板单独调参，维护成本过高。最终方案：

1. 统一使用 decompose3 提取G通道，因为所有基板中G通道的Mark点对比度均较高；
2. 使用 median_image 5×5滤波去除随机噪声；
3. 使用 scale_image_max 拉伸灰度范围；
4. 使用 opening_circle 半径3去除噪点，closing_circle 半径5填补空洞。

该方案在5种基板上均实现了99%以上的定位成功率，单次处理时间小于15ms，满足产线节拍要求。

常见误区与总结复盘