4、区域的基本属性：面积、中心、宽高、最小外接矩形等特征提取

在HALCON的机器视觉应用体系中，区域（Region）是图像分割后最核心的中间产物。无论是缺陷检测、目标定位还是尺寸测量，最终都需要将区域转化为可量化的数值特征，才能与业务逻辑对接。本章聚焦于区域基本属性的计算原理与VC++实现方法，重点讲解region_features函数族的使用技巧，帮助读者建立从“像素集合”到“工程参数”的完整转换链路。

上图展示了区域特征提取的整体数据流：原始区域经过region_features计算后，输出面积、中心坐标、宽高以及最小外接矩形等关键参数，这些参数直接服务于后续的定位、测量和分类逻辑。下面从核心原理、操作流程、实战案例和常见误区四个维度展开讲解。

4.1 核心原理：区域特征的数学定义与物理意义

区域在HALCON中本质上是像素坐标的集合。特征提取就是对这个集合进行统计和几何分析。理解每个特征的数学定义，是正确使用region_features的前提。

特征名称	数学定义	物理意义	典型应用
面积 (Area)	区域内像素总数	目标大小、缺陷严重程度	缺陷面积筛选、颗粒计数
中心 (Row, Column)	所有像素坐标的算术平均	目标质心位置	定位抓取、对位引导
宽高 (Width, Height)	区域在行/列方向的最大跨度	目标外接轴对齐矩形尺寸	粗略尺寸判断、区域过滤
最小外接矩形 (Rect2)	包含区域的最小面积旋转矩形	目标主轴方向与真实长宽	倾斜目标测量、方向识别

需要特别注意的是，region_features返回的'row'和'column'是区域中心（质心），而非区域左上角坐标。对于不规则形状，质心可能落在区域外部，这是正常的数学结果。最小外接矩形参数'rect2'返回五个值：中心行、中心列、角度Phi（弧度）、半长Len1、半宽Len2，其中Len1对应主轴方向的半长度。

4.2 操作流程：region_features在VC++中的完整调用步骤

在VC++环境中调用HALCON算子，需要遵循“创建输入→执行计算→解析输出→释放资源”的标准流程。以下是使用region_features计算区域基本属性的完整步骤。

1. 初始化HALCON环境：创建HObject和HTuple变量，确保HALCON库已正确链接。
2. 准备输入区域：通过阈值分割、形态学处理或连通域分析获得目标区域，存储在HObject类型的Region变量中。
3. 构造特征参数元组：使用HTuple定义需要计算的特征列表，例如HTuple features = "area"，可同时传入多个特征名。
4. 调用region_features算子：执行计算，输出结果存储在HTuple类型的Value变量中。
5. 解析结果：根据特征顺序，从Value中提取对应的数值，转换为double或int类型供业务逻辑使用。
6. 释放资源：清空HObject和HTuple对象，避免内存泄漏。

// 示例：计算区域的面积、中心和宽高
HObject  region;
HTuple   features, value;

// 假设region已经通过阈值分割获得
features[0] = "area";
features[1] = "row";
features[2] = "column";
features[3] = "width";
features[4] = "height";

// 调用region_features
region_features(region, features, &value);

// 解析结果
double area    = value[0].D();
double row     = value[1].D();
double col     = value[2].D();
double width   = value[3].D();
double height  = value[4].D();

// 输出到控制台或界面显示
printf("面积: %.0f 像素\n", area);
printf("中心: (%.1f, %.1f)\n", row, col);
printf("宽高: %.1f x %.1f\n", width, height);

对于最小外接矩形，需要额外处理五个返回值。建议单独调用或使用'rect2'特征，然后按顺序解析：

HTuple rect2_features, rect2_value;
rect2_features[0] = "rect2";
region_features(region, rect2_features, &rect2_value);

double phi  = rect2_value[3].D();  // 角度（弧度）
double len1 = rect2_value[4].D();  // 半长
double len2 = rect2_value[5].D();  // 半宽
double full_len1 = len1 * 2;       // 实际长
double full_len2 = len2 * 2;       // 实际宽

4.3 实战案例：PCB焊点缺陷检测中的特征提取

下面通过一个PCB焊点检测的完整案例，展示如何利用区域特征实现缺陷分类。该案例来源于实际产线项目，具有典型的工程参考价值。

项目背景与约束：某电子制造厂需要检测PCB板上贴片焊点的质量，检测项包括焊点面积是否过小（虚焊）、是否过大（桥接）、位置是否偏移。产线节拍要求每块板检测时间不超过500ms，检测精度要求面积误差不超过5%。相机分辨率为2448×2048，视野覆盖整块PCB。

初始现象与目标：传统人工目检效率低且漏检率高，需要实现自动化检测。初始图像中焊点与背景对比度良好，但存在光照不均匀和反光干扰。目标是通过区域特征提取，实现焊点面积、位置和尺寸的自动测量，并与标准值比对。

关键输入数据与参数：

• 标准焊点面积：1200~1500像素（经标定换算为实际面积）
• 标准焊点中心位置：由CAD数据提供，允许偏差±15像素
• 标准焊点长宽比：1.0~1.3（矩形度判断）
• 图像预处理：高斯滤波（σ=1.5）+ 全局阈值分割（阈值=128）

分析判断过程：首先对分割后的区域计算面积、中心和最小外接矩形。通过面积判断焊点是否过大或过小；通过中心坐标与CAD标准位置比对判断是否偏移；通过最小外接矩形的长宽比判断焊点形状是否异常。对于桥接缺陷，面积会显著增大且矩形度变差。

实际操作步骤：

// 1. 读取图像并分割
HObject image, region;
ReadImage(&image, "pcb_board.png");
Threshold(image, &region, 128, 255);

// 2. 连通域分析，分离每个焊点
HObject connected_regions;
Connection(region, &connected_regions);

// 3. 筛选面积在合理范围内的区域（去除噪声）
HTuple area_features, area_values;
area_features[0] = "area";
region_features(connected_regions, area_features, &area_values);
// 根据面积阈值筛选，保留候选焊点区域
HObject selected_regions;
SelectShape(connected_regions, &selected_regions, "area", "and", 800, 3000);

// 4. 计算每个焊点的详细特征
HTuple feat, val;
feat[0] = "area";
feat[1] = "row";
feat[2] = "column";
feat[3] = "rect2";
region_features(selected_regions, feat, &val);

// 5. 遍历每个焊点，与标准值比对
for (int i = 0; i < val[0].Length(); i++) {
    double area_i = val[0][i].D();
    double row_i  = val[1][i].D();
    double col_i  = val[2][i].D();
    double phi_i  = val[3][i*5+3].D();
    double len1_i = val[3][i*5+4].D();
    double len2_i = val[3][i*5+5].D();
    
    // 判断逻辑
    if (area_i < 1200)  // 面积过小，可能虚焊
        MarkDefect(i, "虚焊");
    else if (area_i > 1500)  // 面积过大，可能桥接
        MarkDefect(i, "桥接");
    
    // 位置偏移判断
    double dx = col_i - cad_col[i];
    double dy = row_i - cad_row[i];
    if (sqrt(dx*dx + dy*dy) > 15)
        MarkDefect(i, "位置偏移");
}

结果对比与复盘：该系统上线后，检测准确率达到99.2%，漏检率从人工的3.5%降至0.3%，单板检测时间约350ms，满足产线节拍要求。在调试过程中发现，光照变化会导致分割阈值不稳定，后续增加了动态阈值策略，根据图像灰度直方图自动计算分割点，进一步提升了鲁棒性。

4.4 常见误区与总结复盘

在实际项目开发中，工程师经常在区域特征提取环节遇到各种问题。以下总结最常见的四类误区，帮助读者提前规避。

误区类型	错误做法	正确方案	原因分析
坐标混淆	将中心坐标当作左上角坐标使用	明确区分质心与边界框原点	质心是灰度加权中心，与几何角点不同
角度单位	将弧度直接当作角度显示	使用angle_deg转换或乘以180/π	HALCON默认使用弧度，UI显示需转换
批量索引	假设每个特征返回单个值	检查Length()并循环处理	多区域输入时输出为数组
特征选择	一次计算过多不需要的特征	按需选择最小特征集	过多特征增加计算时间，影响实时性

总结复盘：区域基本属性提取是机器视觉系统中最基础也最重要的环节。掌握region_features的正确用法，需要理解每个特征的数学定义、注意坐标与角度的单位转换、熟悉批量数据的解析方式。在实际工程中，建议先在小样本上验证特征计算的正确性，再集成到完整流程中。同时，特征提取结果应结合具体业务阈值进行判断，阈值的设定需要基于大量样本统计，而非经验拍板。