Halcon图像处理：筛选、降噪与增强全解析

1.区域筛选与排序

select_shape (Regions, Selected, 'circularity', 'and', min, max)
- 作用：根据形状特征筛选区域
- 参数：
  - 'circularity'：圆形度
  - 0.76~1：只保留圆形度高的区域
sort_region (Regions, Sorted, 'first_point', 'true', 'column')
- 作用：区域排序
- 参数：
  - 'first_point'：按第一个点排序
  - 'true'：升序
  - 'column'：按 ** 列（左右）** 排序

2.直方图

获取灰度直方图

*AbsoluteHisto 绝对分布值是像素个数，索引值是0-255

*RelativeHisto 相对分布值是百分比索引值是0-255灰度值范围

gray_histo (Image, Image, AbsoluteHisto, RelativeHisto)

count:=AbsoluteHisto[10]//获取对应的灰度值的个数

count1:=RelativeHisto[10]

获取灰度值的范围

min_max_gray (Image, Image, 0, Min, Max, Range)

gen_region_histo(Region,AbsoluteHisto, 255, 255, 1)

直方图均衡化的操作把灰度值平均化

equ_histo_image (Image, ImageEquHisto)

噪声 + 滤波

1. 噪声相关算子

gauss_distribution (Size, Distribution)

作用：创建高斯噪声分布
参数 1：50 → 噪声强度，值越大噪声越多
参数 2：Distribution → 输出噪声模型

add_noise_distribution (Image, ImageNoise, Distribution)

作用：把噪声加到图片上
参数 1：输入图像
参数 2：输出带噪声图像
参数 3：噪声模型（高斯 / 椒盐）

sp_distribution (Percent1, Percent2, Distribution1)

作用：创建椒盐噪声（黑白点噪声）
参数 1：10 → 椒噪声（黑点）百分比
参数 2：10 → 盐噪声（白点）百分比
参数 3：输出噪声模型

2. 滤波去噪算子

mean_image (Image, ImageMean, MaskWidth, MaskHeight)

作用：均值滤波（模糊、去高斯噪声）
参数 3、4：3,3 → 滤波核大小（必须奇数）
特点：去高斯噪声好用，但会模糊边缘

median_image (Image, ImageMedian, MaskType, Radius, Border)

作用：中值滤波（专门消除椒盐噪声）
参数 3：'circle' → 滤波核形状（圆形 / 矩形）
参数 4：3 → 核半径
参数 5：'cyclic' → 边界处理方式
- 'cyclic'：循环边界（对面像素）
- 'mirrored'：镜像边界（复制周边）

图像增强 + 频域 / 空域 + 高斯滤波（Halcon）

一、空间域法（空域）

**空间域法：**包含图像像素的空间，在空间域中，直接对图像进行各种线性或非线性运算，对图像的像素灰度做增强处理。

分类：

点运算作用于单个像素，包括：灰度变换、直方图修正、伪彩色增强等。
模板处理作用于像素邻域，包括：图像平滑、图像锐化等。

二、频域法

**频域法：**在图像的变换域中把图像看作一种二维信号，对其进行基于二维傅里叶变换的信号增强。

常用方法：

低通滤波
高通滤波
同态滤波

三、使用高斯滤波的过程（基于傅里叶变换）

步骤：

创建高斯核
傅里叶变换，将空域 → 频域
在频域下执行高斯滤波
逆傅里叶变换，将频域 → 空域

四、Halcon 代码实现

halcon

复制代码

* 读取图像
read_image (Image, 'printer_chip/printer_chip_01')
get_image_size (Image, Width, Height)
dev_display (Image)

* 添加高斯噪声
gauss_distribution (100, Distribution)
add_noise_distribution (Image, ImageNoise, Distribution)
dev_display (ImageNoise)

*=============================
* 1 创建高斯滤波核
*=============================
* 参数1：输出高斯滤波图
* 参数2：水平方向平滑程度
* 参数3：竖直方向平滑程度
* 参数4：滤波核角度
* 参数5：归一化方式 'n'=归一化
* 参数6：'rft' 从中心向外发散
* 参数7、8：生成图像宽高
gen_gauss_filter (ImageGauss, 1, 1, 0, 'n', 'rft', Width, Height)

*=============================
* 2 傅里叶变换：空域 → 频域
*=============================
* 'to_freq' = 正向变换
* 'none' = 不做额外处理
* 'complex' = 输出复数格式
rft_generic (ImageNoise, ImageFFT, 'to_freq', 'none', 'complex', Width)

*=============================
* 3 频域滤波（卷积）
*=============================
convol_fft (ImageFFT, ImageGauss, ImageConvol)

*=============================
* 4 逆变换：频域 → 空域
*=============================
rft_generic (ImageConvol, ImageFFT1, 'from_freq', 'none', 'byte', Width)

dev_display (ImageFFT1)

五、算子与参数总结

gen_gauss_filter (高斯滤波核)

ImageGauss：输出高斯核图像
1,1：水平 / 竖直平滑程度（越大越模糊）
0：核的方向角度
'n'：归一化（推荐开启）
'rft'：核分布方式
Width, Height：图像尺寸

rft_generic (傅里叶变换)

'to_freq'：空域 → 频域
'from_freq'：频域 → 空域
'none'：不对结果做缩放
'complex'：复数格式（频域专用）

convol_fft (频域卷积)

将频域图像 × 高斯核 = 滤波后的频域图像