网站建设运营方案seo实战培训视频

【机械视觉】Halcon—【十二、边缘提取】

目录

【机械视觉】Halcon—【十二、边缘提取】

Halcon边缘提取算子详解与应用场景

1. 一阶导数边缘检测算子

(1) Sobel算子

(2) Prewitt算子

(3) Roberts算子

2. 二阶导数边缘检测算子

(1) Laplacian算子

3. Canny边缘检测（最优边缘检测）

4. 亚像素级边缘检测

(1) edges_sub_pix

(2) lines_gauss（高斯线检测）

5. 其他边缘检测算子

(1) Frei-Chen算子

(2) Kirsch算子

总结：如何选择合适的边缘检测算子？

例子

区域增长原理

---

Halcon边缘提取算子详解与应用场景

Halcon提供了多种边缘提取方法，包括一阶导数算子（如Sobel、Prewitt、Roberts）、二阶导数算子（如Laplacian）、Canny边缘检测、亚像素级边缘检测等。不同算子适用于不同场景，如工业检测（高精度测量）、医学图像分析（弱边缘提取）、自动驾驶（实时边缘检测）等。

---

1. 一阶导数边缘检测算子

基于梯度计算，适用于快速边缘检测，但对噪声较敏感。

(1) Sobel算子

函数：

sobel_amp(Image, EdgeAmplitude, FilterType, Size)  % 计算梯度幅值
sobel_dir(Image, EdgeAmplitude, EdgeDirection, FilterType, Size)  % 计算梯度幅值和方向

参数说明：

• FilterType：滤波方式（'sum_abs'绝对值求和、'sum_sqrt'平方和开方、'thin_max'最大梯度）

• Size：卷积核大小（3、5、7、9等，越大抗噪性越强但边缘越模糊）

特点：

• 计算水平和垂直方向的梯度，适合检测垂直和水平边缘。

• 对噪声有一定的平滑作用，但不如高斯类算子（如Canny）。

应用场景：

• 工业检测（如PCB板边缘、零件轮廓）

• 快速边缘提取（实时性要求较高的场景）

---

(2) Prewitt算子

函数：

prewitt_amp(Image, EdgeAmplitude)  % 计算梯度幅值
prewitt_dir(Image, EdgeAmplitude, EdgeDirection)  % 计算梯度幅值和方向

特点：

• 类似Sobel，但卷积核不同（Sobel更注重中心像素，Prewitt更平均）。

• 计算速度较快，但边缘定位精度略低于Sobel。

应用场景：

• 医学图像边缘检测（如X光片中的骨骼轮廓）

• 简单场景下的快速边缘提取（如文档扫描）

---

(3) Roberts算子

函数：

roberts(Image, EdgeAmplitude, FilterType)

参数说明：

• FilterType：'roberts_max'（取最大值）、'roberts_sum'（求和）

特点：

• 使用2×2卷积核，计算简单，但对噪声敏感。

• 适合高对比度图像的边缘检测。

应用场景：

• 高对比度图像（如黑白条形码、二维码）

• 计算资源受限的嵌入式设备（如小型工业相机）

---

2. 二阶导数边缘检测算子

基于二阶微分（Laplacian），检测灰度突变点（过零点），对噪声敏感，通常需要先做高斯平滑。

(1) Laplacian算子

函数：

laplace(Image, ImageLaplace, ResultType, MaskSize, FilterMask)

参数说明：

• ResultType：输出类型（'byte'、'int2'等）

• MaskSize：卷积核大小（3、5、7等）

• FilterMask：'positive'（正Laplacian）、'negative'（负Laplacian）

特点：

• 对噪声敏感，通常需要先做高斯滤波（gauss_filter）。

• 能检测边缘的过零点，但边缘较粗。

应用场景：

• 边缘增强（如指纹识别）

• 结合高斯滤波用于LOG（Laplacian of Gaussian）边缘检测

---

3. Canny边缘检测（最优边缘检测）

Canny是最经典的边缘检测方法，包括高斯平滑→梯度计算→非极大值抑制→双阈值检测。

函数：

edges_image(Image, ImaAmp, ImaDir, Filter, Alpha, NMS, Low, High)

参数说明：

• Filter：滤波器类型（'canny'、'deriche1'、'deriche2'、'lanser1'、'lanser2'）

• Alpha：平滑系数（越小越平滑，推荐0.5~2.0）

• NMS：非极大值抑制（'nms'启用，'none'禁用）

• Low、High：滞后阈值（低阈值用于弱边缘，高阈值用于强边缘）

特点：

• 抗噪能力强（高斯平滑）。

• 边缘连续性好（双阈值连接）。

• 计算量较大（相比Sobel）。

应用场景：

• 高精度工业检测（如半导体晶圆缺陷检测）

• 自动驾驶（车道线检测）

• 医学图像（血管分割）

---

4. 亚像素级边缘检测

适用于高精度测量，返回XLD（亚像素轮廓），可用于Halcon的几何测量（如measure_pos）。

(1) edges_sub_pix

函数：

edges_sub_pix(Image, Edges, Filter, Alpha, Low, High)

参数说明：

• Filter：'canny'、'lanser2'、'deriche2'等

• Alpha：平滑系数（推荐1.0~2.0）

• Low、High：双阈值

特点：

• 亚像素精度（精度可达0.1像素）。

• 输出XLD轮廓，可用于拟合直线、圆等几何形状。

应用场景：

• 精密尺寸测量（如齿轮齿距、PCB线宽）

• 3D视觉（结构光边缘提取）

---

(2) lines_gauss（高斯线检测）

函数：

lines_gauss(Image, Lines, Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions)

参数说明：

• Sigma：高斯平滑系数（越大越平滑）

• LightDark：'light'（亮线）、'dark'（暗线）

• ExtractWidth：是否提取线宽（'true'/'false'）

特点：

• 适用于细线检测（如电路板走线、纤维检测）。

• 可返回线的宽度信息。

应用场景：

• FPC柔性电路板检测

• 纺织行业（纤维直径测量）

---

5. 其他边缘检测算子

(1) Frei-Chen算子

函数：

frei_amp(Image, EdgeAmplitude)  % 幅值
frei_dir(Image, EdgeAmplitude, EdgeDirection)  % 幅值+方向

特点：

• 对斜边缘响应更好，计算速度较快。

(2) Kirsch算子

函数：

kirsch_amp(Image, EdgeAmplitude)  % 幅值
kirsch_dir(Image, EdgeAmplitude, EdgeDirection)  % 幅值+方向

特点：

• 使用8方向模板，适合复杂边缘检测。

---

总结：如何选择合适的边缘检测算子？

算子	特点	适用场景
Sobel	计算快，适合水平和垂直边缘	PCB检测、简单轮廓提取
Prewitt	类似Sobel，但更平均	医学图像、文档扫描
Roberts	2×2卷积核，计算快但噪声敏感	高对比度图像（条形码）
Laplacian	二阶微分，需高斯平滑	边缘增强（指纹识别）
Canny	最优边缘检测，抗噪强	高精度工业检测、自动驾驶
edges_sub_pix	亚像素精度，XLD输出	精密尺寸测量（齿轮、PCB）
lines_gauss	高斯线检测，可测线宽	电路板走线、纤维检测

推荐选择：

• 实时检测 → Sobel / Prewitt

• 高精度测量 → Canny / edges_sub_pix

• 细线检测 → lines_gauss

• 抗噪需求高 → Canny / Deriche滤波器

---

例子

read_image (Image, 'fabrik')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
dev_display (Image)*边缘提取
*参数3 提取边缘的算法
*'sum_abs'：水平梯度和竖直梯度绝对值和 + 5 一般检测
* sum_sqrt：水平梯度和竖直梯度平方根和  + 3  精细检测
* sum_abs'：水平梯度和竖直梯度绝对值和 + 7  抗噪检测
*参数4 滤波核的大小
sobel_amp (Image, EdgeAmplitude, 'sum_abs', 5)*laplace 计算图像的时候采用的拉普拉斯算子，可以增强边缘细节，主要边缘检测和图像锐化 
*'absolute' 输出图像都是正直 'signed' 保留正负值
*MaskSize：滤波核 尺寸 写成奇数
*'n_4' 4邻域的矩阵 +size5/7 抗噪检测
*'n_8' 8邻域矩阵 + size3 精细检测
laplace (Image, ImageLaplace, 'signed', 5, 'n_8')*该算子特点对噪声比较敏感。建议先平滑操作
prewitt_amp (Image, ImageEdgeAmp)threshold (ImageEdgeAmp, Region, 20, 255)
dev_set_color ('green')
*骨骼化操作：可以将一个区域缩减为单像素宽的骨架进行表示，同时保留原始区域拓扑结构和特征结构
skeleton (Region, Skeleton)
dev_display (Skeleton)

---

区域增长原理

以坐标为种子坐标，向四周进行搜索，寻找合适的区域，这个区域满足灰度值与当前的均值图

read_image (Image, 'fabrik')
*对图像进行中值处理，以2为半径的圆所有像素中间值
median_image (Image, ImageMedian, 'circle', 2, 'mirrored')
regiongrowing (ImageMedian, Regions, 1, 1, 2, 5000)
*提取区域的中心点的区域
shape_trans (Regions, RegionTrans, 'inner_center')
connection (RegionTrans, ConnectedRegions)
*获取提取区域的中心点坐标
area_center (ConnectedRegions, Area, Row, Column)*regiongrowing_mean：以坐标为种子坐标，向四周进行搜索，寻找合适的区域，这个区域满足灰度值与当前的均值图
*对应的区域的灰度值差小于5的，并且区域像素数大于100*参数1 按照中值滤波进行平滑
*参数2 Regions1 输出的区域
*参数3 参数4Row, Column种子生在点坐标
*参数5  灰度值差异值
*参数6  过滤的面积
regiongrowing_mean (ImageMedian, Regions1, Row, Column, 25, 100)*种子点选择在图像的左上角，逐行扫描像素点 ，比较的是相邻的1*1像素，如果像素灰度值差异小于2，归为一个区域
*regiongrowing (ImageMedian, Regions, 1, 1, 2, 5000)