3. 图像分割基础概念

3.1 图像分割的定义与数学表述

图像分割（Image Segmentation）是数字图像处理中从像素级理解走向对象级分析的关键桥梁。其核心目标是将图像划分为若干互不重叠、内部具有一致性的子区域，使得同一区域内的像素在某种特征（灰度、颜色、纹理、梯度等）上高度相似，而不同区域之间的特征差异显著。在Halcon的工程实践中，分割结果直接决定了后续特征提取、模板匹配、缺陷检测等环节的输入质量。

从数学角度，图像分割可严格表述为：设整幅图像对应的像素集合为 R，分割过程将其划分为 n 个子区域 R₁, R₂, …, Rₙ，需同时满足以下四个条件：

1. 完备性：所有子区域的并集等于原图像，即 R₁ ∪ R₂ ∪ … ∪ Rₙ = R，确保没有像素被遗漏。
2. 互不重叠：任意两个不同子区域没有公共像素，即 Rᵢ ∩ Rⱼ = ∅（当 i ≠ j 时）。
3. 区域内部连通性：每个子区域内的像素是连通的，不存在孤立散点。
4. 区域内部一致性：同一子区域内的像素满足某种预定义的相似性准则（如灰度方差小于阈值）。

3.2 图像分割的主要分类

根据分割所依据的图像特征和算法策略，Halcon中常用的分割方法可分为三大类：阈值分割、边缘分割和区域分割。此外还有基于聚类、图论等更高级的方法，但在工业视觉中前三者占据了绝大多数应用场景。

3.2.1 阈值分割（Thresholding）

阈值分割是最基础、计算效率最高的方法。其原理是设定一个或多个灰度阈值，将图像中的像素按灰度值归类到不同区域。Halcon中典型的算子包括 threshold（全局阈值）、dyn_threshold（动态阈值，适用于光照不均）以及 binary_threshold（自动选择阈值方法，如Otsu、熵法等）。

适用场景：目标与背景灰度差异明显、光照相对稳定的环境，如暗场下的金属表面缺陷检测、印刷品上的深色字符提取。

3.2.2 边缘分割（Edge-based Segmentation）

边缘分割基于图像灰度值的剧烈变化来定位区域边界。首先通过梯度算子（如Sobel、Canny）提取边缘点，再通过连接、闭合等操作形成封闭轮廓，最终将轮廓内部填充为区域。Halcon中常用 edges_sub_pix 提取亚像素精度轮廓，再配合 split_contours_xld 和 select_contours_xld 进行轮廓处理。

适用场景：目标与背景灰度接近但形状规则、需要亚像素精度定位的场景，如精密机械零件的尺寸测量。

3.2.3 区域分割（Region-based Segmentation）

区域分割从种子点或初始区域出发，依据相似性准则向周围扩张（区域生长），或不断分裂与合并（分裂合并法）。Halcon中的 regiongrowing 算子即实现了基于灰度相似性的区域生长算法，而 watersheds 算子则实现了分水岭变换，适用于粘连物体的分离。

适用场景：纹理复杂、目标边界模糊但内部灰度均匀的图像，如细胞显微图像、卫星遥感地物分类。

对比维度	阈值分割	边缘分割	区域分割
核心依据	灰度值范围	灰度梯度变化	区域内部一致性
计算速度	极快	中等	较慢
抗噪能力	弱	中等（依赖滤波）	较强
输出精度	像素级	可达亚像素级	像素级
典型Halcon算子	threshold, dyn_threshold	edges_sub_pix, hough_lines	regiongrowing, watersheds

3.3 分割方法的评价标准

在实际项目中，选择哪种分割方法并非凭直觉，而应基于可量化的评价指标。以下是工业视觉中最常用的四个评价维度：

• 准确率（Accuracy）：分割结果与真实目标（Ground Truth）的重合度。常用指标为IoU（Intersection over Union），即预测区域与真实区域的交集面积除以并集面积。IoU > 0.9 通常视为优秀。
• 鲁棒性（Robustness）：在光照变化、噪声干扰、目标位置偏移等条件下，分割结果保持稳定的能力。可通过在测试集中加入不同干扰因素来评估。
• 计算效率（Efficiency）：单帧图像的处理时间。对于在线检测场景（如流水线），通常要求单帧处理时间小于节拍时间（如 50 ms）。
• 参数敏感性（Parameter Sensitivity）：算法对阈值、滤波器尺寸等参数的敏感程度。参数越敏感，现场调试成本越高，越不利于工程部署。

3.4 分割方法的选择原则

在Halcon项目实践中，选择分割方法应遵循“由简到繁、由快到慢”的决策路径。以下是一套经过验证的选择流程：

1. 第一步：灰度直方图分析。使用 gray_histo 观察目标与背景的灰度分布。若存在明显的双峰且峰谷清晰，优先选择全局阈值分割。
2. 第二步：光照均匀性评估。若图像存在渐晕或局部阴影，尝试 dyn_threshold 或先进行 illuminate 光照校正。
3. 第三步：目标形状特征考量。若目标具有规则的几何形状（如矩形、圆形），且边缘清晰，可考虑边缘分割配合 fit_rectangle2_contour_xld 进行拟合。
4. 第四步：粘连与重叠处理。若目标相互接触或重叠，分水岭变换（watersheds）通常是首选，但需注意过分割问题，可结合 merge_regions 进行后处理。
5. 第五步：实时性验证。在目标硬件上测试实际运行时间，若无法满足节拍要求，需回退到更简单的算法或采用图像金字塔（zoom_image_factor）加速。

3.5 案例：PCB焊点缺陷检测中的分割方法选择

以PCB板上焊点的桥连缺陷检测为例，说明上述选择原则的实际应用。焊点在灰度图像中通常呈现为亮色圆形区域，而桥连缺陷表现为两个焊点之间的异常连接。

初步分析：焊点与基板背景灰度差异较大，直方图呈双峰分布，因此首先尝试全局阈值分割。但实际采集的图像存在环形光源造成的中心亮、边缘暗的不均匀光照，导致单一阈值无法同时正确分割中心和边缘的焊点。

改进方案：改用 dyn_threshold 结合高斯滤波（gauss_filter）计算局部背景，成功提取所有焊点区域。随后使用 opening_circle 去除微小噪声，再通过 connection 将连通域分离。最后计算每个区域的圆形度（circularity），若圆形度低于0.8，则判定为桥连缺陷。

// Halcon伪代码示例
read_image (Image, 'pcb_board.png')
gauss_filter (Image, ImageGauss, 9)
dyn_threshold (Image, ImageGauss, RegionDyn, 15, 'dark')
opening_circle (RegionDyn, RegionOpen, 3.5)
connection (RegionOpen, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500, 99999)
circularity (SelectedRegions, Circularity)
defect_regions := SelectedRegions.select_by_index(find(Circularity < 0.8))

该方案在2000帧测试图像上实现了99.2%的缺陷检出率，单帧处理时间约35ms，满足产线50ms节拍要求。

3.6 常见误区与复盘

在多年Halcon教学与项目评审中，以下误区出现频率最高，值得反复强调：

• 误区一：盲目追求亚像素精度。亚像素边缘分割（edges_sub_pix）虽然精度高，但对噪声敏感且计算量大。对于仅需判断“有无缺陷”的场景，像素级阈值分割往往更稳定。
• 误区二：忽略预处理的重要性。分割算法的效果上限由图像质量决定。中值滤波（median_image）、灰度拉伸（scale_image）等预处理步骤应被视为分割流程的一部分，而非可选项。
• 误区三：参数固定不变。现场光照会随时间漂移，固定阈值必然导致误检。应定期采集新样本重新标定，或使用 binary_threshold 的自动阈值模式。
• 误区四：混淆区域与轮廓。区域（Region）是像素集合，轮廓（XLD）是亚像素精度的几何曲线。两者之间的转换（gen_contour_region_xld）会丢失精度，反之亦然，需根据下游需求选择合适的数据类型。