📚 课程目录第4章图像预处理基础

4. 图像预处理基础

在视觉对位贴合系统中，图像预处理是决定最终对位精度与稳定性的第一道关卡。对位贴合的核心任务是计算待贴合工件（如FPC、OLED面板、盖板玻璃）与目标位置之间的几何变换关系，而这一计算完全依赖于图像中特征点、边缘或Mark点的提取质量。若原始图像存在光照不均、噪声干扰、对比度不足或背景纹理杂乱等问题，后续的亚像素边缘提取、模板匹配或Blob分析将产生系统性偏差。本章围绕灰度变换、滤波去噪、形态学操作与图像增强四大类方法，结合对位贴合的实际工况，讲解其原理、参数选择策略及典型应用链路。

4.1 灰度变换：统一成像条件，拉伸有效对比度

灰度变换是逐像素的亮度映射操作，不改变像素间的空间关系，其目的在于补偿光照差异、扩展感兴趣区域的灰度动态范围。在对位贴合现场，同一型号产品可能因来料批次、输送带位置、光源老化等因素产生灰度偏移，若不进行统一化处理，模板匹配的相似度阈值将难以设定。

常用的灰度变换包括线性拉伸、直方图均衡化与伽马校正。线性拉伸将原始灰度范围 [a, b] 映射到 [0, 255]，公式为：

g(x,y) = ( f(x,y) - a ) * 255 / ( b - a )

其中 a、b 可通过灰度直方图的百分位截取获得，例如取 1% 和 99% 分位点，避免极端噪声点影响映射。直方图均衡化通过累积分布函数重新分配灰度级，使输出图像的直方图近似均匀分布，适用于整体偏暗或偏亮的图像。伽马校正则通过非线性映射调整中间调亮度，公式为 g = c * f^γ，当 γ < 1 时提亮暗部，γ > 1 时压暗暗部。

在Halcon中，线性拉伸常使用 scale_image 或 scale_image_max 算子，直方图均衡化使用 equ_histo_image，伽马校正使用 gamma_image。实际项目中，建议优先采用基于灰度直方图百分位的线性拉伸，因为它计算简单、可重复性好，且不会过度放大噪声。

工程经验：在对位贴合中，Mark点或定位特征通常为暗底亮圆或亮底暗圆。若背景灰度波动较大，可先对整幅图像做一次全局线性拉伸，再对Mark点所在ROI区域做局部直方图均衡化，以增强局部对比度而不影响全局灰度分布。

4.2 滤波去噪：抑制噪声而不损失边缘定位精度

对位贴合图像中的噪声主要来源于CMOS传感器暗电流、传输链路干扰、以及工件表面的细微划痕或灰尘。噪声若未滤除，将直接影响边缘检测的亚像素精度——一个孤立的噪声点可能导致边缘位置偏移0.1~0.3像素，对于要求±0.02mm对位精度的系统而言是不可接受的。

滤波方法的选择需权衡去噪能力与边缘保持能力。常用方法对比如下：

滤波方法	原理	去噪能力	边缘保持	对位贴合适用性
均值滤波	邻域像素平均	中等	差（边缘模糊）	不推荐用于边缘提取前
高斯滤波	加权平均，权重服从高斯分布	中等	较好（σ控制）	适用于平滑背景，σ≤1.5
中值滤波	取邻域中值	强（对椒盐噪声）	好（保持阶跃边缘）	适用于去除孤立亮点/暗点
双边滤波	空间距离+灰度差双权重	中等	优秀	适用于强噪声且需保边场景

在Halcon中，高斯滤波使用 gauss_filter 或 smooth_image，中值滤波使用 median_image，双边滤波使用 bilateral_filter。对于对位贴合，推荐的处理顺序是：先使用小尺寸中值滤波（如3×3）去除孤立噪点，再使用σ=1.0~1.5的高斯滤波平滑背景纹理。需注意，滤波核尺寸不宜过大，否则会引入边缘偏移。

// Halcon示例：先中值后高斯
read_image (Image, 'fpc_mark.png')
median_image (Image, ImageMedian, 'circle', 3, 'mirrored')
gauss_filter (ImageMedian, ImageFiltered, 1.2)

常见误区：不要为了追求“干净”的图像而使用大尺寸高斯滤波（σ>3）。对位贴合中，边缘位置偏移量与滤波核尺寸近似成正比。若图像噪声确实严重，应优先改善光源和相机参数，而非依赖强滤波。

4.3 形态学操作：提取几何结构，分离目标与背景

形态学操作基于集合论，通过结构元素（Structuring Element）与图像进行交、并等运算，主要用于提取或修正二值图像中的几何特征。在对位贴合中，形态学操作常用于以下三个场景：

Mark点定位：通过开运算（先腐蚀后膨胀）去除Mark点周围的细小毛刺或反光碎片，使Mark点轮廓更规整。
背景抑制：使用顶帽变换（Top-hat）提取亮背景中的暗细节，或底帽变换（Bottom-hat）提取暗背景中的亮细节，从而分离Mark点与不均匀背景。
边缘连接：对二值化后的边缘图执行闭运算（先膨胀后腐蚀），填补因光照或遮挡造成的边缘断裂。

结构元素的选择直接影响形态学效果。对于圆形Mark点，推荐使用圆形结构元素，半径约为Mark点直径的1/10~1/5。对于矩形焊盘或FPC金手指，使用矩形结构元素更合适。Halcon中常用算子包括 dilation_circle、erosion_circle、opening、closing、tophat 和 bottomhat。

// 顶帽变换提取暗Mark点（亮背景）
read_image (Image, 'mark_region.png')
gray_dilation_rect (Image, ImageDilation, 15, 15)
sub_image (ImageDilation, Image, ImageTophat, 1, 0)
threshold (ImageTophat, RegionMark, 30, 255)

形态学操作的核心价值在于其“几何选择性”——它不像滤波那样改变灰度值，而是根据形状特征筛选区域。这一特性使得形态学操作在Mark点提取中具有不可替代的地位，尤其是在Mark点与背景灰度接近、但形状差异明显的场景下。

4.4 图像增强：组合策略提升特征可检测性

图像增强并非单一算法，而是根据任务需求组合灰度变换、滤波与形态学操作，形成针对性的处理链路。在对位贴合中，增强的目标是最大化Mark点或定位边缘与背景的可区分度，同时保持几何位置的准确性。

一个典型的增强流程如下：

灰度归一化：使用 scale_image 将图像灰度拉伸至标准范围，消除光照差异。
背景抑制：通过顶帽或底帽变换去除不均匀背景，保留局部对比度。
噪声滤除：使用中值滤波去除脉冲噪声，再使用小σ高斯滤波平滑残余噪声。
对比度增强：对ROI区域执行直方图均衡化或CLAHE（限制对比度自适应直方图均衡化），增强局部细节。
二值化与形态学修正：使用全局或局部阈值分割，再通过开闭运算修正区域形状。

在Halcon中，CLAHE可通过 equ_histo_image 配合 gray_histo 实现，或使用 scale_image 配合 min_max_gray 实现自适应拉伸。对于高反光工件（如镜面不锈钢），建议增加 illuminate 算子进行光照校正。

  案例：FPC对位贴合中的Mark点提取

  某FPC贴合项目，Mark点为直径1.0mm的圆形铜箔，背景为深色PI基材，存在明显的光照不均匀（中心亮、边缘暗）。原始图像中Mark点灰度约80~120，背景灰度约40~200，直接阈值分割无法稳定提取。

  处理方案：

  1. 使用 scale_image 将图像灰度拉伸至0~255，消除整体亮度偏移；

  2. 使用 gray_dilation_rect (15×15) 后与原图相减，执行顶帽变换，提取暗Mark点；

  3. 使用 median_image (3×3) 去除孤立噪点；

  4. 使用 threshold 设定阈值30~255，得到Mark点区域；

  5. 使用 connection 和 select_shape 按面积和圆度筛选目标区域；

  6. 使用 smallest_circle 计算Mark点圆心坐标，作为对位基准点。

  处理结果：Mark点提取成功率从裸图的72%提升至99.5%，圆心定位重复精度达到±0.01像素。

4.5 误区与复盘：预处理中的常见工程陷阱

在实际项目调试中，以下问题反复出现，值得重点警惕：

过度滤波导致边缘漂移：为追求图像“干净”而使用大核滤波，导致边缘位置偏移。复盘结论：滤波核尺寸不应超过特征尺寸的1/5，且应在滤波后使用亚像素边缘提取算子（如 edges_sub_pix）验证边缘位置是否偏移。
灰度变换参数固定化：不同批次产品的灰度分布存在差异，若线性拉伸的a、b值固定，则无法适应来料变化。复盘结论：应使用自适应百分位（如1%~99%）动态计算a、b值，或使用 scale_image_max 自动拉伸。
形态学结构元素选择不当：使用矩形结构元素处理圆形Mark点，导致区域形状畸变。复盘结论：结构元素形状应与目标特征几何形状匹配，尺寸不宜超过特征尺寸的1/3。
忽略预处理对亚像素精度的影响：预处理操作（尤其是滤波和形态学）会改变边缘的灰度过渡曲线，进而影响亚像素插值结果。复盘结论：在验证对位精度时，应对比不同预处理参数下的亚像素边缘位置，选择重复性最优的参数组合。
全局处理与局部处理混淆：对整幅图像做增强，可能放大背景噪声或引入伪特征。复盘结论：应优先对ROI区域做局部增强，减少无关区域的干扰。

以下是一个典型的预处理参数调试记录表，供项目参考：

参数项	初始值	优化值	优化依据
高斯滤波σ	2.0	1.2	σ=2.0时边缘偏移0.15像素，σ=1.2时偏移0.03像素
中值滤波核	5×5	3×3	5×5核导致Mark点边缘圆角化，圆心定位偏差增大
顶帽结构元素	矩形11×11	圆形半径7	矩形结构元素产生方向性偏差，圆形结构元素更匹配Mark点形状
阈值分割方式	固定阈值80	自适应百分位阈值	固定阈值无法适应批次间灰度波动

图像预处理不是孤立的算法堆砌，而是与后续的定位算法、标定精度、光源设计紧密耦合的系统工程。建议在项目初期建立“预处理参数-对位精度”的量化关系表，通过实验设计（DOE）方法确定最优参数组合，而非依赖经验试凑。只有将预处理视为对位精度链路中的一环，才能构建稳定、可重复、高精度的视觉对位贴合系统。