3. Halcon图像金字塔操作

图像金字塔（Image Pyramid）是机器视觉中处理多尺度问题的核心工具。在Halcon中，金字塔并非一种单一的数据结构，而是一组分辨率逐层递减的图像序列。本章将围绕两个最常用的算子——gen_gauss_pyramid与zoom_image_factor，深入剖析其数学原理、参数含义、适用场景及常见误区，帮助你在实际项目中正确构建和使用金字塔。

3.1 核心原理：从降采样到多尺度表达

图像金字塔的本质是对原始图像进行平滑与降采样的迭代操作。每一层图像都是上一层图像在分辨率上的缩减，通常宽高各减半。这样做的好处是：在低分辨率层上，小尺寸的物体特征被保留，而噪声和高频细节被抑制；同时，搜索空间大幅缩小，算法运行速度显著提升。

Halcon中构建金字塔有两种典型路径：

• 高斯金字塔（Gaussian Pyramid）：通过gen_gauss_pyramid生成，每一层先进行高斯平滑，再隔行隔列采样。这种金字塔保留了图像的灰度分布信息，适合做模板匹配、特征点检测等。
• 缩放金字塔（Zoom Pyramid）：通过zoom_image_factor生成，直接对图像进行任意比例的缩放（不限于0.5倍），可以生成非整数倍率的中间层，适合需要精细尺度搜索的场景。

两者的核心区别在于：gen_gauss_pyramid是固定因子（通常为2）的递归降采样，且内置高斯滤波；而zoom_image_factor是任意因子的几何缩放，滤波方式由插值算法决定。理解这一点，是正确选择算子的前提。

3.2 gen_gauss_pyramid算子详解

3.2.1 算子签名与参数

gen_gauss_pyramid(Image : ImagePyramid, Mode, MaxLevel)

Mode参数详解：

• 'gauss'：标准高斯金字塔。使用5x5高斯核（σ≈1.0）进行平滑，然后隔行隔列采样。适用于大多数灰度匹配场景。
• 'min' / 'max'：形态学金字塔。分别使用最小值/最大值滤波代替高斯滤波，适用于二值图像或需要保留边缘极值的场景（如缺陷检测中的暗/亮斑点）。

3.2.2 代码示例：构建三层高斯金字塔

read_image (Image, 'particle.png')
gen_gauss_pyramid (Image, ImagePyramid, 'gauss', 3)

* 查看各层尺寸
get_image_size (ImagePyramid[0], Width0, Height0)
get_image_size (ImagePyramid[1], Width1, Height1)
get_image_size (ImagePyramid[2], Width2, Height2)
get_image_size (ImagePyramid[3], Width3, Height3)

* 显示第2层（缩小4倍）
dev_display (ImagePyramid[2])

执行后，ImagePyramid数组包含4幅图像，尺寸分别为：原始尺寸、1/2尺寸、1/4尺寸、1/8尺寸。注意，如果原始图像宽高为奇数，降采样时会向下取整，可能导致尺寸不完全等于一半。

3.3 zoom_image_factor算子详解

3.3.1 算子签名与参数

zoom_image_factor(Image : ImageZoomed, ScaleWidth, ScaleHeight, Interpolation)

插值算法选择建议：

• 'nearest_neighbor'：速度最快，但会产生锯齿，适合二值图或放大倍数很大的场景。
• 'bilinear'：双线性插值，速度和质量的平衡点，是默认推荐。
• 'bicubic'：三次卷积插值，边缘更平滑，但计算量较大，适合对精度要求高的灰度图。
• 'constant'：使用常数填充边界，适合处理图像边缘外扩的情况。

3.3.2 代码示例：生成0.75倍缩放图像

read_image (Image, 'mreut.png')
zoom_image_factor (Image, ImageZoomed, 0.75, 0.75, 'bicubic')

* 对比尺寸
get_image_size (Image, Width, Height)
get_image_size (ImageZoomed, ZoomedWidth, ZoomedHeight)

与gen_gauss_pyramid不同，zoom_image_factor不会自动生成多层图像，它只输出一层缩放结果。若需要构建多尺度金字塔，需要循环调用该算子，并逐层改变缩放因子。

3.4 方法流程：如何选择金字塔构建策略

在实际项目中，构建金字塔的流程通常遵循以下步骤：

1. 明确任务需求：是模板匹配、缺陷检测还是特征点提取？不同任务对金字塔类型敏感度不同。
2. 确定金字塔层数：根据目标物体的最小尺寸和搜索范围。经验法则：最顶层图像中，目标物体至少应占10x10像素以上。
3. 选择算子：
   • 若需要固定2倍降采样且层数较多，优先gen_gauss_pyramid。
   • 若需要任意缩放比例（如1.5倍、0.8倍），或需要精细尺度搜索，使用zoom_image_factor。
4. 设置插值/滤波参数：对于灰度图像，高斯金字塔默认使用5x5高斯核；缩放时推荐双线性或双三次插值。
5. 验证金字塔质量：检查各层图像是否出现明显模糊或信息丢失，必要时调整层数或滤波参数。

3.5 案例场景：多尺度缺陷检测中的金字塔应用

假设我们需要检测PCB板上的微小划痕，划痕宽度约为2~3像素，而图像尺寸为4000x3000。直接在全分辨率下检测，不仅速度慢，而且噪声干扰大。采用金字塔策略如下：

read_image (Image, 'pcb_defect.png')

* 构建3层高斯金字塔
gen_gauss_pyramid (Image, Pyramid, 'gauss', 3)

* 在顶层（第3层，缩小8倍）进行粗定位
threshold (Pyramid[3], Region, 100, 255)
connection (Region, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 50, 99999)

* 将粗定位区域映射回原始分辨率
zoom_image_factor (SelectedRegions, RegionZoomed, 8, 8, 'nearest_neighbor')

* 在原始图像上精确定位
reduce_domain (Image, RegionZoomed, ImageReduced)
edges_sub_pix (ImageReduced, Edges, 'canny', 1.5, 20, 40)

该流程中，金字塔顶层负责快速排除无关区域，底层负责精确边缘提取。通过zoom_image_factor将区域放大回原尺寸，实现了从粗到细的级联检测。

3.6 常见误区与复盘

3.7 参数速查清单