halcon核心-图像预处理（四）

图像预处理（去噪 / 增强）

VM / VPP 对照

VM / VPP 操作	Halcon 算子链	核心区别
拖`预处理`工具 → 选中值滤波/高斯滤波/锐化 → 调核大小	`median_image` / `gauss_filter` / `emphasize`	完全一样，只是 Halcon 要你手动接在流程里

常用算子链

erlang 复制代码

* 步骤1: 中值滤波去噪
median_image (Image, ImageMedian, 'circle', 3, 'mirrored')
* 步骤2: 高斯滤波平滑 ------ 用高斯核对图像做平滑处理，抑制高频噪声
gauss_filter (Image, ImageGauss, 5)
* 步骤3: 均值滤波
mean_image (Image, ImageMean, 5, 5)
* 步骤4: 对比度增强
emphasize (Image, ImageEmphasize, 7, 7, 1.0)
* 步骤5: 自动对比度拉伸
scale_image_max (Image, ImageScaleMax)

🔬 算子参数详解与原理

核心思路： 图像预处理的本质是先降噪、后增强。工业现场图像常受光照不均、传感器噪声、灰尘干扰等问题影响，直接使用原始图像进行后续分析会导致误检率升高。预处理通过空间域滤波（中值/高斯/均值）抑制噪声，通过灰度变换（emphasize/scale_image_max）增强目标与背景的对比度，为后续的Blob分析、边缘检测、模板匹配等步骤提供高质量的输入图像。VM/VPP将滤波核选择和参数调节封装为图形界面，而Halcon需要显式选择滤波类型并设置参数，灵活性更高。

算子	VM / VPP 对应操作	核心作用
`median_image`	预处理 → 中值滤波 → 设置掩膜大小	用邻域像素的中值替换中心像素值，有效去除椒盐噪声，同时较好地保留边缘信息
`gauss_filter`	预处理 → 高斯滤波 → 设置Sigma值	用高斯核对图像进行加权平均平滑，抑制高斯噪声，是边缘检测前的标准预处理步骤
`mean_image`	预处理 → 均值滤波 → 设置窗口大小	用矩形窗口内像素的平均值替换中心像素，快速平滑图像，但会模糊边缘
`emphasize`	预处理 → 锐化/对比度增强 → 设置增强系数	通过高通滤波增强图像的高频成分（边缘和细节），提升局部对比度
`scale_image_max`	预处理 → 对比度拉伸 → 自动灰度映射	将图像灰度值线性映射到0~255的完整动态范围，解决图像灰度范围过窄的问题

① median_image --- 中值滤波去噪

arduino 复制代码

median_image (Image, ImageMedian, 'circle', 3, 'mirrored')

参数说明：

Image (输入): 输入的原始图像。
ImageMedian (输出): 中值滤波后的输出图像。
'circle' (MaskType): 滤波掩膜的形状。可选：

'circle': 圆形掩膜，以半径定义大小
'square': 方形掩膜
'rectangle': 矩形掩膜

3 (Radius/MaskSize): 掩膜半径或大小。对于圆形掩膜，3表示半径为3像素（实际覆盖7×7区域）。值越大，平滑效果越强，但计算量也越大。
'mirrored' (Margin): 边界处理方式。可选：

'mirrored': 镜像反射，最常用，避免边界伪影
'cyclic': 循环填充
'continued': 延续边缘值
'constant': 常数填充（默认用0）

工作原理： 中值滤波是一种非线性滤波。对于每个像素，取以其为中心的邻域窗口内所有像素值的中值，作为该像素的新值。与均值滤波不同，中值滤波对极端值（椒盐噪声的黑白点）不敏感------极端值被排序后位于序列两端，不会被选为中值。因此中值滤波能在去除椒盐噪声的同时，较好地保留边缘的锐利度（边缘像素与邻域像素差异大，中值仍接近真实值）。

适用场景： CCD相机热噪声产生的孤立白点/黑点、传输干扰导致的像素突变。

注意： 掩膜半径不宜过大（通常3~5），否则会过度平滑细节。

② gauss_filter --- 高斯滤波平滑

scss 复制代码

gauss_filter (Image, ImageGauss, 5)

参数说明：

Image (输入): 输入图像。
ImageGauss (输出): 高斯滤波后的输出图像。
5 (Sigma): 高斯核的标准差。Sigma越大，高斯核越宽，平滑效果越强，高频成分抑制越明显。通常取值0.5~10。

工作原理： 高斯滤波是一种线性平滑滤波，使用二维高斯函数作为卷积核。高斯核的特点是中心权重最大，向四周逐渐衰减，因此平滑效果自然，不会产生振铃效应（ringing）。高斯滤波在频域相当于低通滤波器，能有效抑制高频噪声（如高斯白噪声），同时保留低频的图像轮廓信息。

关键公式： 二维高斯核 G(x,y) = (1/(2πσ²)) × exp(-(x²+y²)/(2σ²))。

工程经验： 在边缘检测（如Canny、Sobel）之前，通常先用Sigma=1 ~ 3的高斯滤波去噪，可显著减少伪边缘。Sigma的选择应权衡去噪效果与边缘模糊程度。

③ mean_image --- 均值滤波平滑

scss 复制代码

mean_image (Image, ImageMean, 5, 5)

参数说明：

Image (输入): 输入图像。
ImageMean (输出): 均值滤波后的输出图像。
5 (MaskWidth): 滤波窗口的宽度（像素）。
5 (MaskHeight): 滤波窗口的高度（像素）。

工作原理： 均值滤波是最简单的线性滤波，用矩形窗口内所有像素的算术平均值替换中心像素值。计算速度快（可用积分图优化），但会严重模糊边缘------窗口跨越边缘时，边缘两侧像素被平均，导致边缘过渡区变宽、对比度下降。

适用场景： 对实时性要求高、边缘精度要求不高的场合；或作为粗预处理步骤，后续配合锐化算子使用。

对比建议： 在工业视觉中，优先使用median_image（保边去噪）或gauss_filter（自然平滑），mean_image仅用于特定的高速应用场景。

④ emphasize --- 对比度增强（锐化）

scss 复制代码

emphasize (Image, ImageEmphasize, 7, 7, 1.0)

参数说明：

Image (输入): 输入图像。
ImageEmphasize (输出): 增强后的输出图像。
7 (MaskWidth): 高通滤波掩膜的宽度。
7 (MaskHeight): 高通滤波掩膜的高度。
1.0 (Factor): 增强系数。Factor > 0时增强对比度，Factor越大增强效果越明显；Factor = 0时无效果；Factor < 0时反向增强（一般不用于工业场景）。

工作原理： emphasize算子本质上是一个高通滤波器。它先对图像进行低通滤波（均值平滑）得到低频成分，然后用原始图像减去低频成分得到高频成分（边缘和细节），最后将高频成分按Factor加权后加回原始图像。公式近似为：Output = Input + Factor × (Input - LowPass(Input))。这样，图像中的边缘和细节被放大，平坦区域保持不变，从而提升整体对比度。

适用场景： 图像整体偏灰、对比度不足（如背光不均、老化光源）；金属表面微弱划痕的增强；低照度环境下的图像恢复。

注意： Mask尺寸应大于目标细节的尺寸，否则细节会被当作低频成分平滑掉。

⑤ scale_image_max --- 自动对比度拉伸

scss 复制代码

scale_image_max (Image, ImageScaleMax)

参数说明：

Image (输入): 输入图像。
ImageScaleMax (输出): 对比度拉伸后的输出图像。

工作原理： 该算子自动计算输入图像的最小灰度值(Min)和最大灰度值(Max)，然后将整个灰度范围线性映射到0 ~ 255（8位图像）或0 ~ 65535（16位图像）。映射公式为：Output = (Input - Min) × (255 / (Max - Min))。这样，即使原始图像只使用了很窄的灰度范围（如50 ~ 150），拉伸后也会充分利用0 ~ 255的全动态范围，使暗部更暗、亮部更亮，提升人眼可读性和后续算法的稳定性。

适用场景： 相机曝光不足/过度、光源亮度衰减、物体材质反光率差异大导致的灰度范围压缩。

注意： 如果图像中存在极亮的噪点或极暗的污点，Min/Max会被这些极端值拉偏，导致主体区域拉伸效果不佳。此时应先做去噪处理，或使用scale_image_max的变体（如基于直方图百分位的拉伸）。