4. 图像分割基础：阈值分割、动态阈值、区域生长、边缘检测（Canny、Sobel）在尺寸测量中的应用

图像分割是尺寸测量流程中承上启下的核心环节——上游承接相机标定与图像预处理，下游直接决定边缘定位、几何拟合与公差点判定的准确性。在HALCON与VC++联合开发的工业视觉项目中，分割算法的选择与参数调优往往占据整个视觉工程师60%以上的调试时间。本章围绕阈值分割、动态阈值、区域生长和边缘检测四大类方法，深入剖析其数学原理、适用场景、HALCON算子实现以及在尺寸测量中的工程化落地要点。

4.1 核心原理：四种分割方法的数学本质与适用边界

图像分割的本质是将像素划分为"目标"与"背景"（或多区域）的决策过程。在尺寸测量场景中，分割质量直接决定边缘提取的精度上限。四种方法分别从不同维度解决"如何区分目标与背景"这一问题。

全局阈值分割基于灰度直方图的分布特性，假设目标与背景在灰度空间上存在显著分离。其数学表达为：对于灰度值 \( f(x,y) \)，若 \( f(x,y) \geq T \) 则判为目标，否则为背景。HALCON中的threshold算子直接指定灰度区间，而binary_threshold则自动计算最优阈值（OTSU法或最大熵法）。OTSU的核心思想是最大化类间方差：

σ²_B(t) = ω₀(t)·ω₁(t)·[μ₀(t) - μ₁(t)]²

其中 \( \omega_0, \omega_1 \) 为两类像素占比，\( \mu_0, \mu_1 \) 为两类灰度均值。当直方图呈现明显双峰时，OTSU能快速给出接近最优的分割阈值。

动态阈值分割（也称局部阈值）针对光照不均匀、背景灰度渐变或表面反光等场景。其核心思想是用一个平滑后的背景图像作为参考，将原图与背景图逐像素差分，再对差分图做阈值处理。HALCON中典型实现为：

mean_image (Image, ImageMean, 31, 31)  // 大核均值滤波估计背景
dyn_threshold (Image, ImageMean, RegionDyn, 15, 'dark')

滤波核尺寸的选择是动态阈值成败的关键——核太小则背景估计受目标干扰，核太大则无法跟踪快速变化的背景。工程经验上，核尺寸应至少为目标最大尺寸的2~3倍。

区域生长从种子点出发，根据灰度相似性、纹理一致性或边缘约束逐步扩张区域。HALCON的regiongrowing算子采用"先分割后合并"策略：先将图像划分为小区域，再根据相邻区域的灰度差是否小于容差来决定是否合并。该方法适合目标内部灰度均匀但边界不规则的场景，如铸件缺陷检测、细胞分割等。但种子点位置和容差参数对结果敏感，且计算量较大，在高速产线中需谨慎评估实时性。

边缘检测与前三种方法不同，它不直接生成区域，而是提取灰度突变的位置。Sobel算子通过卷积核计算一阶导数：

Gx = [[-1,0,1],[-2,0,2],[-1,0,1]]  Gy = [[-1,-2,-1],[0,0,0],[1,2,1]]
梯度幅值 G = √(Gx² + Gy²)  梯度方向 θ = atan2(Gy, Gx)

Canny算子在Sobel基础上增加了非极大值抑制和双阈值滞后连接，能输出单像素宽、连续闭合的边缘。在HALCON中，edges_sub_pix算子进一步输出亚像素精度的边缘轮廓，这是尺寸测量达到微米级精度的关键。

4.2 判断方法与操作流程：从图像特征到算法选型

在实际项目中，选择哪种分割方法不能凭个人偏好，而应基于图像质量、光照条件、目标特征和精度要求进行系统判断。以下是工程化的选型决策流程：

1. 第一步：评估图像对比度。计算目标区域与背景区域的灰度均值差。若差值大于50（0~255灰度范围），优先考虑全局阈值；若差值在20~50之间，需尝试动态阈值或边缘检测。
2. 第二步：检查光照均匀性。在图像四角与中心分别取ROI计算灰度均值，若标准差超过10，说明存在光照不均，应直接排除全局阈值法。
3. 第三步：明确精度需求。若公差要求在±0.05mm以上且视场为50mm×50mm，像素当量约0.05mm/pixel，像素级分割即可满足；若公差在±0.01mm以内，必须使用亚像素边缘检测。
4. 第四步：评估实时性预算。区域生长在1920×1080图像上通常需要30~80ms，而阈值分割仅需1~3ms。对于节拍小于500ms的产线，应优先选择阈值+边缘的组合方案。

HALCON中推荐的标准流程为：先使用threshold或dyn_threshold快速获取目标区域，再用reduce_domain缩小处理范围，最后在ROI内使用edges_sub_pix提取亚像素边缘。这种"粗分割+精定位"的两级策略兼顾了速度与精度。

4.3 案例拆解：轴承外圈直径测量的分割方案优化

项目背景：某汽车零部件供应商需在线检测轴承外圈外径，公差要求±0.008mm，产线节拍2.5秒/件。相机为500万像素黑白工业相机，视场40mm×30mm，像素当量约0.012mm/pixel。现场采用环形LED低角度照明，但工件表面存在机加工纹路和轻微油污，导致灰度不均匀。

初始方案与问题：工程师最初直接使用threshold算子，设定灰度阈值120~255提取轴承区域，然后使用smallest_circle拟合外圆。实际测试发现：

• 测量重复性达±0.025mm，远超公差要求；
• 同一工件旋转不同角度测量结果波动明显；
• 油污区域导致阈值分割产生孔洞和毛刺。

分析过程：通过intensity算子检查ROI内灰度分布，发现轴承表面灰度均值约180，但边缘区域因反光降至100~140，背景灰度约60~80，目标与背景灰度差仅40~60，且边缘处存在渐变过渡带。全局阈值无法稳定锁定真实边缘位置。

优化方案：

* 第一步：动态阈值粗分割，克服光照不均
mean_image (Image, ImageMean, 51, 51)
dyn_threshold (Image, ImageMean, RegionDyn, 12, 'dark')

* 第二步：形态学闭运算填充孔洞
closing_circle (RegionDyn, RegionClosed, 5.5)

* 第三步：提取连通域并选择最大区域
connection (RegionClosed, ConnectedRegions)
select_shape_max (ConnectedRegions, SelectedRegion, 'area')

* 第四步：缩小域到目标区域，减少边缘检测计算量
reduce_domain (Image, SelectedRegion, ImageReduced)

* 第五步：亚像素边缘提取
edges_sub_pix (ImageReduced, Edges, 'canny', 1.5, 20, 40)

* 第六步：拟合圆并输出直径
fit_circle_contour_xld (Edges, 'algebraic', -1, 0, 0, 3, 2, Row, Column, Radius, StartPhi, EndPhi, PointOrder)

结果对比：优化后测量重复性提升至±0.006mm，满足公差要求。动态阈值核尺寸51px约为目标直径（约800px）的1/16，既能跟踪背景渐变又不被目标细节干扰。Canny双阈值设为20和40（低/高），在噪声抑制与边缘完整性之间取得平衡。

复盘经验：该案例揭示了尺寸测量中一个常见误区——过度依赖单一分割方法。全局阈值在理想光照下简单高效，但工业现场光照波动、表面状态变化是常态。动态阈值+亚像素边缘的组合方案虽然代码量增加，但鲁棒性显著提升。此外，edges_sub_pix的Sigma参数（高斯平滑尺度）对亚像素精度影响显著，Sigma过小则噪声敏感，过大则边缘位置偏移，需通过标准件校准确定最优值。

4.4 常见误区与总结复盘

在多年HALCON项目交付中，以下误区反复出现，值得每位视觉工程师警惕：

总结：图像分割没有"万能算法"，只有"最合适的组合"。在尺寸测量项目中，建议遵循以下原则：

• 先粗后精：用阈值/动态阈值快速锁定ROI，再用亚像素边缘精确定位；
• 鲁棒优先：优先选择对光照变化不敏感的方法（动态阈值优于全局阈值）；
• 参数可解释：每个参数都应能解释其物理意义（如核尺寸对应背景变化尺度）；
• 验证闭环：每次参数调整后，用标准件做GR&R（重复性与再现性）测试，确保测量系统能力Cgk≥1.33。

在VC++开发环境中，建议将分割参数（阈值、核尺寸、Sigma、双阈值）封装为配置文件，通过界面动态调整，便于现场调试与维护。同时，利用HALCON的get_time与count_seconds监控各步骤耗时，确保整体节拍满足产线要求。