前言
图像分割是计算机视觉的核心任务之一，也是Halcon工业检测中最基础的环节。本文系统梳理Halcon中四类主流分割方法------阈值分割、边缘检测、区域生长、分水岭------附带完整可运行代码和参数说明，适合从入门到工程落地。
一、图像分割概述
图像分割（Image Segmentation）的目的是将一幅图像分成若干个有意义的区域，以便后续进行特征提取和目标识别。在工业视觉检测中，图像分割是几乎所有检测流程的基础步骤。
图像分割的本质是：将图像中的像素按照某种规则（灰度值、颜色、纹理、边缘等）划分为不同的区域，使得同一区域内的像素具有相似的属性，不同区域之间具有明显的差异。
Halcon 提供了极为丰富的图像分割算子，主要分为以下几大类：阈值分割 、边缘检测分割 、区域生长分割 、分水岭分割。实际工程中往往需要组合多种方法才能获得最佳效果。
二、阈值分割
2.1 全局阈值分割 --- threshold
全局阈值是最基础的图像分割方法：凡灰度值在 [MinGray, MaxGray] 范围内的像素都归为"前景"区域。
算子原型：
threshold(Image : Region : MinGray, MaxGray : )参数说明：
| 参数 | 说明 |
|---|---|
| Image | 输入图像 |
| Region | 输出：满足阈值条件的区域 |
| MinGray | 最小灰度值（含） |
| MaxGray | 最大灰度值（含），通常设为 255 |
示例代码：
* 全局阈值分割示例
read_image(Image, 'pellets')
* 提取灰度值在 128~255 之间的亮区域
threshold(Image, Region, 128, 255)
* 断开相互连接的联通域
connection(Region, ConnectedRegions)
* 面积筛选
select_shape(ConnectedRegions, SelectedRegions, 'area', 'and', 500, 99999)
count_obj(SelectedRegions, Number)
dev_display(Image)
dev_set_colored(12)
dev_display(SelectedRegions)注意： 全局阈值适用于背景与前景灰度差异明显、光照均匀 的场景。若光照不均匀，建议改用动态阈值（
dyn_threshold）。
2.2 自动阈值 --- binary_threshold
当不确定合适的灰度阈值时，可以让 Halcon 自动计算最优分割阈值，支持"暗区"和"亮区"两种模式。
binary_threshold(Image : Region : Method, LightDark : UsedThreshold)| 参数 | 说明 |
|---|---|
| Method | 算法：'max_separability'（最大可分性，即 Otsu 法） |
| LightDark | 'light' 提取亮区；'dark' 提取暗区 |
| UsedThreshold | 输出：实际使用的阈值 |
示例代码：
* 自动阈值分割示例（Otsu法）
dev_close_window ()
dev_open_window (0, 0, 512, 512, 'black', WindowHandle1)
read_image(Image, 'particle')
binary_threshold(Image, LightRegion, 'max_separability', 'light', UsedThreshold)
dev_display(Image)
dev_set_color('red')
dev_display(LightRegion)
* 打印实际使用的阈值
write_string(WindowHandle1, 'Threshold = ' + UsedThreshold)
2.3 动态阈值分割 --- dyn_threshold
动态阈值（局部阈值）先对图像进行均值滤波得到背景图，再将原图与背景图的差值与偏移量 Offset 比较，从而自适应地分割出局部亮/暗区域。适用于光照不均匀的场景。
dyn_threshold(OrigImage, ThresholdImage : RegionDynThresh : Offset, LightDark : )| 参数 | 说明 |
|---|---|
| OrigImage | 原始图像 |
| ThresholdImage | 背景参考图（通常为均值滤波结果） |
| Offset | 偏移量，像素值差超过此值则被分割 |
| LightDark | 'light' / 'dark' / 'equal' |
示例代码：
* 动态阈值分割示例
read_image(Image, 'food/cocoa_packages_01')
* 对原图进行均值滤波，得到背景图
mean_image(Image, MeanImage, 30, 30)
* 动态阈值：原图中比背景图亮5个灰度单位以上的区域
dyn_threshold(Image, MeanImage, RegionDynThresh, 5, 'light')
connection(RegionDynThresh, ConnectedRegions)
select_shape(ConnectedRegions, SelectedDefects, 'area', 'and', 20, 5000)
count_obj(SelectedDefects, NumDefects)
dev_display(Image)
dev_set_color('red')
dev_set_draw('margin')
dev_display(SelectedDefects)核心思路：
dyn_threshold判断原图 - 参考图 > Offset则为 light 区域。Offset 越小，越敏感；越大，越严格。
2.4 基于直方图的阈值分割
通过分析灰度直方图，找到谷底（波谷）作为分割阈值，适用于图像灰度分布呈明显双峰的场景。
*获取图像
read_image (Image, 'D:/Program Files/MVTec/HALCON-22.05-Progress/examples/images/pill/ginseng/contamination/pill_ginseng_contamination_045.png')
*自动阈值分割
auto_threshold (Image, Regions, 5)
*显示分割区域
dev_display (Regions)
三、边缘检测分割
边缘是图像中灰度值发生突变的区域。通过检测边缘，可以找到目标的轮廓，从而实现分割。Halcon 提供了多种边缘检测算子，涵盖像素级与亚像素级精度。
3.1 Sobel 边缘检测 --- edges_image
Sobel 算子通过计算图像梯度来检测边缘，是最经典的边缘检测算子之一。
edges_image(Image : ImaAmp, ImaDir : Filter, Alpha : )| 参数 | 说明 |
|---|---|
| ImaAmp | 输出：边缘幅度图像（梯度强度） |
| ImaDir | 输出：边缘方向图像 |
| Filter | 滤波器类型：'sobel'、'prewitt'、'kirsch'、'canny' 等 |
| Alpha | 平滑参数（仅 Canny 有效） |
* Sobel 边缘检测
read_image(Image,'fabrik')
edges_image(Image,Amp,Dir,'lanser2',0.5,'none',-1,-1)
* 对边缘幅度图像进行阈值处理，得到边缘区域
threshold(Amp, EdgeRegion, 20, 255)
3.2 Canny 边缘检测（推荐）
Canny 是综合效果最好的边缘检测算子，具有低误检率、高定位精度和单边缘响应等特点。
* Canny 边缘检测（通过 edges_image 算子）
read_image(Image, 'fabrik')
edges_image(Image,Amp,Dir,'lanser2',0.5,'none',-1,-1)
hysteresis_threshold(Amp, EdgeRegion, 20, 40, 10)
dev_display(Image)
dev_set_color('red')
dev_display(EdgeRegion)
3.3 亚像素级边缘检测 --- edges_sub_pix
当需要高精度定位（亚像素级别）时，使用 edges_sub_pix，输出为 XLD 轮廓（不是区域），精度可达 0.1 像素以内。
edges_sub_pix(Image : Edges : Filter, Alpha, Low, High : )| 参数 | 说明 |
|---|---|
| Edges | 输出：XLD 亚像素轮廓 |
| Filter | 'canny'、'sobel'、'lanser2' 等 |
| Alpha | 高斯平滑程度，越大越平滑，推荐 0.5~2.0 |
| Low, High | 磁滞阈值（Low 为弱边缘阈值，High 为强边缘阈值） |
dev_close_window()
dev_open_window (0, 0, 512, 512, 'black', WindowHandle1)
* 亚像素边缘检测示例
read_image(Image, 'fabrik')
rgb1_to_gray(Image, GrayImage)
* canny 算子 + 亚像素精度
edges_sub_pix(GrayImage, Edges, 'canny', 1.0, 20, 40)
dev_display(GrayImage)
dev_set_colored(12)
dev_set_line_width(2)
dev_display(Edges)
* 显示轮廓数量
count_obj(Edges, NumEdges)
write_string(WindowHandle1, 'Edges: ' + NumEdges)XLD（扩展线描述符） 是 Halcon 中表示亚像素精度轮廓的数据类型，区别于普通的区域（Region）。XLD 可用于测量、拟合直线/圆弧等精密测量场景。
四、区域生长分割
区域生长法从一个或多个"种子点"出发，根据像素间的相似性（灰度差、颜色差等）逐渐向外扩展，将相邻的相似像素合并到同一区域，直到没有满足条件的像素为止。
4.1 regiongrowing 算子
regiongrowing(Image : Regions : Row, Column, Tolerance, MinSize : )| 参数 | 说明 |
|---|---|
| Row, Column | 种子点之间的步长（像素），控制种子点密度 |
| Tolerance | 灰度容差，相邻像素灰度差小于此值则合并 |
| MinSize | 最小区域面积，小于此值的区域被丢弃 |
* 区域生长分割示例
read_image(Image, 'mreut')
* 种子步长=3, 容差=8, 最小区域面积=100
regiongrowing(Image, Regions, 3, 3, 8, 100)
dev_display(Image)
dev_set_colored(12)
dev_display(Regions)
count_obj(Regions, NumRegions)
write_string(WindowHandle, 'Regions: ' + NumRegions)
4.2 regiongrowing_mean 算子
改进版区域生长，以区域内的平均灰度值 作为合并判据，比 regiongrowing 更稳健。
read_image (Image, 'fabrik')
* 读取 fabrik 图像（Halcon自带示例图，工厂场景）
dev_close_window ()
get_image_size (Image, Width, Height)
dev_open_window (0, 0, Width, Height, 'white', WindowID)
* 关闭旧窗口，按图像尺寸打开新窗口，背景白色
* ====== 第一阶段：中值滤波 + 粗区域生长，目的是定位种子点 ======
median_image (Image, ImageMedian, 'circle', 2, 'mirrored')
* 中值滤波去噪，圆形掩模半径2，边界镜像处理
* 这一步很关键：区域生长对噪声敏感，先平滑才能避免过分割
regiongrowing (ImageMedian, Regions, 1, 1, 2, 5000)
* 粗区域生长：步长Row=1,Column=1（每个像素都是种子点）
* 容差Tolerance=2（灰度差≤2就合并），最小面积MinSize=5000
* → 得到大面积的粗分割区域
shape_trans (Regions, Centers, 'inner_center')
* 对每个粗区域取"内中心点"——即区域质心附近的一个点
* 把大面积区域压缩成一个个种子点
connection (Centers, SingleCenters)
* 断开连通域，确保每个种子点是独立的
area_center (SingleCenters, Area, Row, Column)
* 获取每个种子点的坐标(Row, Column) —— 这就是传给下一步的关键参数
* ====== 第二阶段：以精确种子点做均值区域生长 ======
regiongrowing_mean (ImageMedian, RegionsMean, Row, Column, 25, 100)
* ↑ 核心：Row/Column 是上一步算出的种子点坐标（不是步长！）
* Tolerance=25（容差更大，因为有了精确种子点，不怕误合并）
* MinSize=100（最小面积更小，保留细节区域）
dev_clear_window ()
dev_set_draw ('fill')
dev_set_colored (12)
dev_display (RegionsMean)
* 填充模式彩色显示结果
dev_set_color ('black')
dev_set_draw ('margin')
dev_display (RegionsMean)
* 再用黑色边框描边显示，方便看区域边界
五、分水岭分割
分水岭算法将灰度图像看作地形图，灰度值越高代表"山峰"越高。通过模拟"注水"过程，水从低处（灰度谷底）积聚，当来自不同谷底的水即将汇合时，在汇合处建立"分水岭"，从而将图像分割成不同的"盆地"（连通区域）。
分水岭分割特别适合分离相互黏连的目标物体，例如相互挤靠在一起的圆形颗粒、细胞等。
5.1 watersheds 算子
watersheds(Image : Basins, Watersheds : )| 输出参数 | 说明 |
|---|---|
| Basins | 各个"盆地"区域（分割结果） |
| Watersheds | "分水岭"本身（边界线区域） |
* 基础分水岭分割
read_image(Image, 'particle')
rgb1_to_gray(Image, GrayImage)
* 高斯平滑，避免过分割
gauss_image(GrayImage, GaussImage, 3)
* 执行分水岭分割
watersheds(GaussImage, Basins, Watersheds)
dev_display(GaussImage)
dev_set_colored(12)
dev_display(Basins)5.2 watersheds_threshold 算子（带阈值，推荐）
原始 watersheds 对噪声极为敏感，容易产生"过分割"（分割出大量细小无意义区域）。watersheds_threshold 通过合并灰度差小于阈值 Threshold 的相邻盆地来解决此问题。
watersheds_threshold(Image : Basins : Threshold : )完整工业案例（配合距离变换分离黏连目标）：
* 带阈值的分水岭分割（完整工业案例）
read_image(Image, '素材/4-6 4-7.jpg')
rgb1_to_gray(Image, GrayImage)
* 高斯平滑去噪
gauss_image(GrayImage, SmoothedImage, 3)
* 距离变换（用于分离黏连目标）
* 先二值化
threshold(SmoothedImage, BrightRegion, 100, 255)
* 计算距离变换图像
distance_transform(BrightRegion, DistanceImage, 'octagonal', 'true', Width, Height)
convert_image_type(DistanceImage, ImageConverted, 'byte')
* 图像取反（距离变换后取反，使中心变为"山谷"）
invert_image(ImageConverted, ImageInvert)
* 按比例增强对比度
scale_image_max(ImageInvert, ImageScaleMax)
* 带阈值的分水岭分割，合并高度差<30的相邻区域
watersheds_threshold(ImageScaleMax, Basins, 30)
* 筛选合理面积的区域
select_shape(Basins, SelectedBasins, 'area', 'and', 500, 50000)
* 显示结果
dev_display(GrayImage)
dev_set_colored(12)
dev_set_draw('margin')
dev_set_line_width(2)
dev_display(SelectedBasins)
count_obj(SelectedBasins, Number)
dev_set_color('green')
set_display_font(WindowHandle, 28, 'mono', 'true', 'false')
set_tposition(WindowHandle, 15, 15)
write_string(WindowHandle, 'Count = ' + Number)六、Hough变换分割
Hough变换是一种用于检测图像中几何形状（直线、圆、椭圆等）的经典算法，常用于检测工业零件中的圆孔、直线边缘等规则形状。
6.1 直线检测 --- hough_lines
* Hough 直线检测
read_image(Image, 'fabrik')
rgb1_to_gray(Image, GrayImage)
edges_sub_pix(GrayImage, Edges, 'canny', 1.0, 20, 40)
* 生成二值化边缘图
gen_region_contour_xld(Edges, EdgeRegion, 'filled')
* Hough 直线检测
hough_lines(EdgeRegion, HoughImage, Lines, AngleResolution, DistanceResolution, Threshold, AngleGap, DistGap)
dev_display(GrayImage)
dev_set_color('red')
dev_set_line_width(2)
dev_display(Lines)6.2 圆检测 --- 最小外接圆 + 圆度筛选
* 圆检测示例（形态学 + 圆度筛选）
read_image(Image, 'rings_and_nuts')
rgb1_to_gray(Image, GrayImage)
threshold(GrayImage, Region, 0, 128)
connection(Region, ConnectedRegions)
select_shape(ConnectedRegions, SelectedRegions, 'circularity', 'and', 0.8, 1.0)
* 计算圆的最小外接圆
smallest_circle(SelectedRegions, Row, Column, Radius)
dev_display(GrayImage)
dev_set_color('green')
disp_circle(WindowHandle, Row, Column, Radius)七、分割方法对比总结
| 分割方法 | 适用场景 | 优点 | 缺点 | 常用算子 |
|---|---|---|---|---|
| 全局阈值 | 高对比度、光照均匀 | 简单、快速 | 不适合光照不均 | threshold |
| 自动阈值 | 双峰灰度分布 | 无需手动调参 | 仅适合双峰分布 | binary_threshold |
| 动态阈值 | 光照不均匀 | 自适应局部背景 | 参数选取有技巧 | dyn_threshold |
| 边缘检测 | 边界明显的目标 | 定位精度高（亚像素） | 对噪声敏感 | edges_sub_pix |
| 区域生长 | 均匀灰度区域 | 区域完整、连通 | 对种子选择敏感 | regiongrowing |
| 分水岭 | 黏连目标分离 | 能分离相互接触目标 | 过分割，需配合阈值 | watersheds_threshold |
| Hough变换 | 规则形状检测 | 抗噪声、不依赖连通性 | 计算量大，形状固定 | hough_lines / smallest_circle |
八、综合实战案例 --- 芯片焊点检测
结合多种分割方法，实现对 PCB 板上焊点的自动检测与计数：
* 芯片焊点检测完整流程
dev_update_off()
dev_close_window()
read_image(Image, 'die/die_03')
get_image_size(Image, Width, Height)
dev_open_window(0, 0, Width, Height, 'black', WindowHandle)
dev_set_part(0, 0, Height-1, Width-1)
set_display_font(WindowHandle, 16, 'mono', 'true', 'false')
dev_display(Image)
stop()
* ====== 第1步：分割芯片主体区域 ======
* 二值化提取亮区
threshold(Image, Bright, 100, 255)
* 形状变换：用最小外接矩形定位芯片位置
shape_trans(Bright, Die, 'rectangle2')
dev_set_color('green')
dev_set_draw('margin')
dev_display(Die)
stop()
* ====== 第2步：在 ROI 内定位焊点 ======
* 限定 ROI 到芯片区域
reduce_domain(Image, Die, DieGrey)
* 二值化提取暗焊点
threshold(DieGrey, Wires, 0, 50)
* 填充小孔（面积1~100的孔洞）
fill_up_shape(Wires, WiresFilled, 'area', 1, 100)
dev_set_draw('fill')
dev_set_color('red')
dev_display(WiresFilled)
stop()
* ====== 第3步：形态学开运算分离焊点 ======
* 圆形结构元素开运算，半径15.5像素
opening_circle(WiresFilled, Balls, 15.5)
* ====== 第4步：连通区域分析 ======
connection(Balls, SingleBalls)
* 按圆度筛选（0.85~1.0为圆形）
select_shape(SingleBalls, IntermediateBalls, 'circularity', 'and', 0.85, 1.0)
* 按列方向排序
sort_region(IntermediateBalls, FinalBalls, 'first_point', 'true', 'column')
* ====== 第5步：计算并显示结果 ======
dev_display(Image)
dev_set_colored(12)
dev_display(FinalBalls)
smallest_circle(FinalBalls, Row, Column, Radius)
NumBalls := |Radius|
Diameter := 2 * Radius
meanDiameter := mean(Diameter)
dev_set_color('white')
disp_circle(WindowHandle, Row, Column, Radius)
disp_message(WindowHandle, 'D: ' + Diameter$'.3', 'image', Row - 2*Radius, Column, 'white', 'false')
set_tposition(WindowHandle, 15, Width / 2)
write_string(WindowHandle, 'Total Balls = ' + NumBalls + ' MeanDia = ' + meanDiameter$'.2f')
dev_update_window('on')流程解析：
-
分割主体区域 →
threshold+shape_trans定位芯片位置 -
ROI内定位焊点 →
reduce_domain限定区域 +threshold提取暗焊点 +fill_up_shape填充孔洞 -
形态学分离 →
opening_circle圆形开运算分离黏连焊点 -
连通分析 →
connection+select_shape按圆度筛选 -
结果展示 →
smallest_circle计算外接圆 +disp_message显示直径与数量
九、常用算子速查
| 算子 | 功能 | 关键参数 |
|---|---|---|
threshold |
全局阈值分割 | MinGray, MaxGray |
binary_threshold |
自动阈值（Otsu） | Method, LightDark |
dyn_threshold |
动态（局部）阈值 | Offset, LightDark |
gray_histo_abs |
计算绝对灰度直方图 | BinSize |
histo_to_thresh |
直方图自动求阈值 | - |
edges_image |
边缘检测（像素级） | Filter, Alpha |
edges_sub_pix |
亚像素边缘检测 | Filter, Alpha, Low, High |
hysteresis_threshold |
双阈值磁滞滤波 | Low, High, MaxLength |
regiongrowing |
区域生长 | Row, Column, Tolerance, MinSize |
regiongrowing_mean |
均值区域生长 | Tolerance, MinSize |
watersheds |
分水岭分割 | - |
watersheds_threshold |
带阈值分水岭（推荐） | Threshold |
distance_transform |
距离变换（配合分水岭） | Metric |
invert_image |
图像取反 | - |
scale_image_max |
图像灰度拉伸 | - |
fill_up_shape |
按形状特征填充区域 | Feature, Min, Max |
select_shape |
按形状特征筛选区域 | Feature, Operation, Min, Max |
connection |
断开联通区域 | - |
opening_circle |
圆形结构开运算 | Radius |
smallest_circle |
计算最小外接圆 | - |