halcon 入门教程（三） 边缘检测
原文作者：aircraft原文链接： halcon 入门教程（三） 边缘检测
有兴趣可以多看其他的halcon教程
halcon 学习教程目录
本篇讲一下边缘检测（边缘提取），因为这个我发现也是比较常用的，放在入门教程（三）会比较好，在入门教程（一）（二）学完了形态学，和Blob分析，再来学边缘检测并且结合案例感觉会掌握学习的很快。跟openCV一样主流的还是那几个检测算子Sobel、Canny、Laplacian等等。
一.边缘检测简介
1. 边缘检测的基本原理
边缘是图像中灰度、颜色或纹理发生显著变化的区域，通常对应物体的边界。边缘检测的目标是定位这些变化的区域，方法可分为：
[*]基于梯度：通过计算像素的梯度幅值和方向（如Sobel、Canny）。
[*]基于二阶导数：利用拉普拉斯算子检测过零点（如Laplacian）。
[*]基于模板匹配：使用预定义的边缘模板进行卷积。
2. Halcon边缘检测的核心算法
**(1) 一阶梯度法（Sobel, Prewitt）**
[*]原理：通过卷积核计算像素在水*和垂直方向的梯度（Gx和Gy），合成梯度幅值和方向。
halcon示例：
sobel_amp(Image, EdgeAmplitude, 'sum_abs', 3)// Sobel算子，3x3卷积核
edges_image(Image, ImaAmp, ImaDir, 'canny', 1, 'nms')// 综合梯度计算(2) Canny边缘检测**
[*]步骤：
[*]高斯滤波：去噪。
[*]梯度计算：类似Sobel。
[*]非极大值抑制（NMS）：保留梯度方向上的局部最大值，细化边缘。
[*]滞后阈值：使用高低阈值（LowThreshold, HighThreshold）连接边缘。
halcon示例：
edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)// Canny算法，亚像素精度(3) 亚像素边缘检测**
[*]原理：在像素级边缘检测的基础上，通过插值或梯度模型拟合（如高斯函数、多项式）将精度提升到亚像素级别（精度可达0.1像素）。
halcon 示例：
edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)// 直接输出亚像素边缘轮廓
3. Halcon边缘检测的关键技术
**(1) 高斯滤波与尺度控制**
[*]作用：通过调节高斯滤波的Sigma参数控制边缘检测的灵敏度。示例：
[*]大Sigma：检测粗边缘，抗噪能力强。
[*]小Sigma：检测细边缘，但易受噪声干扰。
[*]
edges_sub_pix(Image, Edges, 'canny', Sigma, LowThresh, HighThresh)(2) 非极大值抑制（NMS）**
[*]作用：在梯度方向上仅保留局部最大值的像素，消除边缘的“宽线”现象。
[*]Halcon参数：
edges_image(Image, ImaAmp, ImaDir, 'canny', 1, 'nms')// 使用NMS(3) 滞后阈值（双阈值）**
[*]原理：参数示例：
[*]高阈值：强边缘必须超过此值。
[*]低阈值：弱边缘若与强边缘连接则保留。
[*]
edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)// Low=20, High=40
4. Halcon边缘检测的优势
[*]亚像素精度：通过模型拟合实现超像素级边缘定位，适合高精度测量。
[*]灵活性：支持多种算法（Canny、Sobel、Lanser等）和参数调节。
[*]抗噪能力：高斯滤波和滞后阈值有效抑制噪声。
[*]实时性：高度优化的算法实现，适用于工业实时检测。
5. 总结
Halcon的边缘检测通过梯度计算、非极大值抑制、双阈值分割和亚像素优化，实现了高精度和强鲁棒性的边缘提取。其核心在于*衡噪声抑制与细节保留，广泛应用于工业检测、自动驾驶、医学成像等领域。实际使用时需根据场景特点调整算法参数，并结合形态学操作（如膨胀、填充）优化结果。
二.算子与案例学习
这里正常我是想让大家先学习相关的算子函数的，但是因为我自己也学习过，我们学习的心态都是不见兔子不撒鹰，没有看到一些效果之前，我们都难以产生比较大的学习热情，所以这里先上一个车道线提取的案例学习，注释都会详细打清楚。在大一上学期的时候自己买了本单片机来学，发现学的太枯燥了，后来就放弃的硬件的路，后面偶然得到了个c语言的学习视频，然后跟着视频学，大一就把c语言c++，MFC那些东西都自学完了。对于初学的人没有能直观看到效果的学习，都是没有太大兴趣的。书本和文字冷冰冰的，怎么让初学者去学！！！
1.案例：车道线检测（autobahn.hdev）
老规矩，先上图，我们的目的是把一定距离内的车道的车道线给提取出来
实例代码：autobahn.hdev
* autobahn.hdev: Fast detection of lane markers
*
dev_update_window ('off')
* 关闭窗口自动更新，避免频繁刷新提升执行速度
dev_close_window ()
* 关闭所有已打开的图形窗口
dev_open_window (0, 0, 768, 575, 'black', WindowID)
* 打开新窗口，位置(0,0)，尺寸768x575，背景黑色
MinSize := 30
* 定义形态学膨胀的核大小（30x30矩形）
get_system ('init_new_image', Information)
* 获取系统默认的'init_new_image'参数值
set_system ('init_new_image', 'false')
* 禁止系统自动初始化新图像，避免覆盖已有图像
* 生成网格区域，用于限制后续处理的ROI（感兴趣区域）注意这里只是提取宽度为30像素的网格线区域出来
gen_grid_region (Grid, MinSize, MinSize, 'lines', 512, 512)
* 参数说明：
* Grid : 输出网格区域
* MinSize : 网格线间距（水*和垂直均为30像素）
* 'lines' : 生成线型网格（非矩形块）
* 512, 512 : 网格覆盖的原始图像尺寸（此处可能与实际图像尺寸不一致，后续通过裁剪修正）
* 裁剪网格区域，仅保留道路部分（坐标范围：行130~450，列10~502）
clip_region (Grid, StreetGrid, 130, 10, 450, 502)
dev_set_line_width (3)
* 设置显示线宽为3（用于网格和边缘的高亮显示）
dev_set_color ('green')
* 设置显示颜色为绿色（用于网格）
read_image (ActualImage, 'autobahn/scene_00')
* 读取第一帧图像（scene_00）
dev_display (ActualImage)
* 显示图像
stop ()
* 暂停程序，等待用户按F5继续
dev_display (StreetGrid)
* 在图像上叠加显示裁剪后的网格区域（绿色）
stop ()
* 再次暂停
for i := 0 to 28 by 1
* 读取当前帧图像（例如：scene_00, scene_01,..., scene_28）
read_image (ActualImage, 'autobahn/scene_' + (i$'02'))
* i$'02'表示两位数字补零
* 将处理区域限制到StreetGrid网格内
reduce_domain (ActualImage, StreetGrid, Mask)
* 作用：生成一个掩膜图像Mask，仅保留StreetGrid区域内的像素
* Sobel边缘检测（梯度幅值计算）
sobel_amp (Mask, Gradient, 'sum_abs', 3)
* 参数说明：
* 'sum_abs' : 梯度计算方法（水*与垂直方向绝对值之和）
* 3 : Sobel算子尺寸（3x3核）
* 初次阈值分割提取边缘点 Gradient这个是得到的梯度图，只有在边缘区域(也就是道路和道路线交汇的区域)才会有较高的灰度值存在
threshold (Gradient, Points, 20, 255)
* 提取梯度值在之间的区域（初步筛选车道线边缘）
* 形态学膨胀（连接离散边缘点）
dilation_rectangle1 (Points, RegionDilation, MinSize, MinSize)
* 使用30x30矩形核对边缘点进行膨胀，连接相邻点形成连续区域
* 限制处理区域到膨胀后的区域
reduce_domain (ActualImage, RegionDilation, StripGray)
* StripGray为仅包含RegionDilation区域的灰度图像
* 高亮度区域提取（车道线通常为白色/黄色）
threshold (StripGray, Strip, 190, 255)
* 提取灰度值在之间的区域（高亮度车道线）
* 填充区域内的孔洞
fill_up (Strip, RegionFillUp)
* 确保车道线区域连续无断裂
* 显示处理结果
dev_display (ActualImage)
* 显示原始图像
dev_display (RegionFillUp)
* 叠加显示检测到的车道线区域（默认颜色）
endfor
dev_set_line_width (1)
* 恢复默认线宽为1
dev_update_window ('on')
* 重新启用窗口自动更新
set_system ('init_new_image', Information)
* 恢复系统参数'init_new_image'的默认值关键步骤总结
[*]ROI限制：通过网格裁剪 (clip_region) 和域缩减 (reduce_domain) 聚焦道路区域，减少计算量。
[*]边缘检测：Sobel算子提取梯度，阈值分割初步筛选边缘点。
[*]形态学处理：膨胀操作连接离散点，填充操作确保车道线连续。
[*]亮度阈值：假设车道线高亮，通过二次阈值分割精确定位。
效果图：
第一个案例有我的注释在理解起来应该还是比较简单的，也发现了里面开始运用到了一些边缘检测的算子，接下来我们就学习一下几个常用的边缘检测的算子。
1.sobel算子sobel_amp(Image : EdgeAmplitude : FilterType, Size : )详解：
函数原型：
sobel_amp(Image : EdgeAmplitude : FilterType, Size : )
[*]功能：通过 Sobel 算子计算图像的梯度幅值，用于边缘检测。
[*]输入/输出：
[*]Image：输入图像（单通道灰度图像）。
[*]EdgeAmplitude：输出图像，表示梯度幅值（边缘强度）。
[*]FilterType：梯度计算方法（如 'sum_abs'）。
[*]Size：Sobel 核的大小（3, 5, 7, 9, 11 等奇数）。
1. **FilterType参数（梯度计算方式）**
控制梯度幅值的计算方法，常见选项如下：
[*]**'sum_abs'**（默认）：
[*]计算水*和垂直方向梯度的绝对值之和：
[*]计算速度快，适用于实时性要求高的场景。
[*]**'thin_sum_abs'**：
[*]类似 'sum_abs'，但使用更小的卷积核（仅适用于 Size=3）。
[*]**'x'** 或 **'y'**：
[*]仅计算水*方向（'x'）或垂直方向（'y'）的梯度。
[*]**'frei_chen'**：
[*]使用 Frei-Chen 算子，增强对角边缘的响应。
[*]适用于复杂纹理或对角边缘检测。
[*]**'sobel'**：
[*]计算欧几里得距离（*方和开根号）：
[*]
[*]更接*理论梯度，但计算量较大。
2. **Size（卷积核大小）**
[*]取值范围：3, 5, 7, 9, 11 等奇数。
[*]影响：
[*]小尺寸（如 3）：检测细边缘，但对噪声敏感。
[*]大尺寸（如 5）：检测粗边缘，抗噪能力强，但可能丢失细节。
[*]典型选择：
[*]大多数场景：Size=3。
[*]高噪声图像：Size=5 或 7。
使用示例
示例 1：基本边缘检测
read_image(Image, 'part.png')
sobel_amp(Image, EdgeAmplitude, 'sum_abs', 3)
threshold(EdgeAmplitude, Edges, 20, 255)// 阈值分割提取边缘应用场景
[*]工业检测：
[*]检测零件轮廓、缺陷边缘。
[*]参数建议：FilterType='sum_abs', Size=3。
[*]车道线检测（如 autobahn.hdev）：
[*]提取车道线边缘，需*衡噪声抑制和边缘连续性。
[*]参数建议：FilterType='sum_abs', Size=3。
[*]医学图像处理：
[*]检测组织边界或血管。
[*]参数建议：FilterType='frei_chen', Size=5（增强复杂边缘）。
参数选择建议
场景需求推荐参数实时性要求高FilterType='sum_abs', Size=3高精度边缘定位FilterType='sobel', Size=3抗噪需求强Size=5 或 7检测对角边缘FilterType='frei_chen'与其他算子的对比
算子特点适用场景sobel_amp灵活调节核大小，多种梯度计算方式通用边缘检测edges_image集成非极大值抑制（NMS）和亚像素精度高精度边缘（如测量）canny双阈值和NMS，抗噪能力强但计算量大复杂背景下的弱边缘检测
2.亚像素精度边缘提取算子（常用）edges_sub_pix(Image : Edges : Filter, Alpha, Low, High : )详解：
函数原型：
edges_sub_pix(Image : Edges : Filter, Alpha, Low, High : )
[*]功能：亚像素级精度的边缘检测，输出连续的边缘轮廓（XLD格式）。
[*]输入/输出：
[*]Image：输入图像（单通道灰度图像）。
[*]Edges：输出的亚像素边缘轮廓（XLD对象）。
[*]Filter：边缘检测滤波器类型（如 'canny', 'lanser2', 'deriche1'）。
[*]Alpha：滤波器的*滑参数（控制边缘锐度与抗噪性）。
[*]Low, High：滞后阈值（用于边缘连接）。
参数详解
1. **Filter（滤波器类型）**
不同滤波器对应不同的边缘检测算法：
[*]**'canny'**（默认）：
[*]基于高斯导数，支持亚像素精度。
[*]适用于通用场景，计算效率高。
[*]Alpha：高斯滤波器的标准差（推荐值：1.0~3.0）。
[*]**'lanser2'**：
[*]使用 Lanser 滤波器，边缘定位更精确。
[*]适用于高精度测量，但计算量较大。
[*]Alpha：*滑参数（推荐值：0.3~0.7）。
[*]**'deriche1'** 和 **'deriche2'**：
[*]基于递归滤波器，适合实时处理。
[*]Alpha：控制*滑程度（值越大，*滑越强）。
2. **Alpha（*滑参数）**
[*]作用：*衡边缘锐度与噪声抑制。
[*]小Alpha（如 0.5）：保留细节，但易受噪声干扰。
[*]大Alpha（如 3.0）：强*滑，适合高噪声图像。
[*]典型值：
[*]'canny'：1.0~3.0。
[*]'lanser2'：0.3~0.7。
3. **Low 和 High（滞后阈值）**
[*]作用：经验规则：High ≈ 2 * Low。
[*]High：边缘强度的最低阈值，高于此值的边缘被保留。
[*]Low：低于此值的边缘被忽略；介于两者之间的边缘需与高阈值边缘连接。
[*]
[*]示例：
[*]若图像对比度低，设置 Low=10, High=20。
[*]若对比度高，设置 Low=30, High=60。
使用示例
示例 1：Canny 边缘检测
read_image(Image, 'part.png')
edges_sub_pix(Image, Edges, 'canny', 1.5, 25, 50)
dev_display(Edges)* 显示亚像素边缘
示例 2：Lanser 滤波器（高精度）
edges_sub_pix(Image, Edges, 'lanser2', 0.5, 20, 40)
应用场景
[*]工业测量：
[*]检测零件边缘，用于尺寸测量。
[*]参数建议：Filter='lanser2', Alpha=0.5, Low=20, High=40。
[*]车道线检测：
[*]提取车道线轮廓，结合形态学处理。
[*]参数建议：Filter='canny', Alpha=1.5, Low=15, High=30。
[*]医学图像分析：
[*]定位组织或器官边界。
[*]参数建议：Filter='canny', Alpha=2.0, Low=10, High=20。
参数调优策略
问题现象解决方案边缘断裂降低 Low 或增大 Alpha噪声过多增大 Alpha 或提高 Low/High边缘模糊减小 Alpha漏检弱边缘降低 High 或 Low对比其他边缘检测算子
算子精度抗噪性速度适用场景edges_sub_pix亚像素高中高精度测量sobel_amp像素级中快快速边缘检测canny像素级高慢复杂背景下的边缘总结
edges_sub_pix 是 Halcon 中实现亚像素边缘检测的核心算子，通过合理选择滤波器类型（Filter）、*滑参数（Alpha）和阈值（Low, High），可在噪声抑制与细节保留之间取得*衡。典型场景包括工业零件测量、车道线识别和医学图像分析。实际应用中需结合后处理操作（如边缘连接和拟合）以提升结果质量。
3.像素精度边缘提取算子edges_image(Image : ImaAmp, ImaDir : Filter, Alpha, NMS, Low, High : )详解：
函数原型：
edges_image(Image : ImaAmp, ImaDir : Filter, Alpha, NMS, Low, High : )
[*]功能：执行像素级边缘检测，输出梯度幅值图像（ImaAmp）和方向图像（ImaDir），支持多种滤波器和非极大值抑制（NMS）。
[*]输入/输出：
[*]Image：输入图像（单通道灰度图像）。
[*]ImaAmp：输出梯度幅值图像（灰度图，高值对应边缘）。
[*]ImaDir：输出梯度方向图像（角度图，范围0~180°）。
[*]Filter：边缘检测滤波器类型（如 'canny', 'sobel_fast'）。
[*]Alpha：滤波器*滑参数。
[*]NMS：非极大值抑制模式（'none', 'nms', 'thin'）。
[*]Low, High：滞后阈值（用于边缘连接）。
参数详解
1. **Filter（滤波器类型）**
[*]**'canny'**：
基于高斯导数的Canny算法，支持亚像素级精度。
[*]Alpha：高斯滤波的标准差（推荐值1.0~3.0）。
[*]特点：抗噪能力强，适用于复杂场景。
[*]**'sobel_fast'**：
优化的Sobel算子，计算速度快。
[*]Alpha：无意义（可设为任意值）。
[*]特点：适合实时处理，但精度较低。
[*]**'lanser2'** 或 **'deriche2'**：
高精度滤波器，适合测量任务。
[*]Alpha：控制*滑强度（参考值0.3~0.7）。
2. **Alpha（*滑参数）**
[*]作用：控制滤波器的*滑程度。
[*]小Alpha（如0.5）：保留细节，适合清晰边缘。
[*]大Alpha（如3.0）：强*滑，适合高噪声图像。
3. **NMS（非极大值抑制模式）**
[*]**'none'**：不进行非极大值抑制，输出宽边缘。
[*]**'nms'**：标准非极大值抑制，细化边缘至单像素宽。
[*]**'thin'**：优化细化模式，适合高精度测量。
4. **Low 和 High（滞后阈值）**
[*]作用：经验规则：High ≈ 2 * Low。
[*]High：边缘强度的最低阈值，高于此值的像素被保留为强边缘。
[*]Low：低于此值的像素被忽略；介于两者之间的像素需与强边缘连接。
[*]
[*]示例：
[*]低对比度图像：Low=10, High=20。
[*]高对比度图像：Low=30, High=60。
使用示例
示例1：Canny边缘检测（带NMS）
read_image(Image, 'part.png')
edges_image(Image, Amp, Dir, 'canny', 1.5, 'nms', 20, 40)
threshold(Amp, Edges, 1, 255)// 二值化边缘
示例2：Sobel快速检测（无NMS）
edges_image(Image, Amp, Dir, 'sobel_fast', 0, 'none', 10, 20)应用场景
[*]工业零件检测：
[*]参数：Filter='canny', Alpha=1.5, NMS='nms', Low=20, High=40。
[*]效果：高精度定位边缘，用于尺寸测量。
[*]实时视频处理（如车道线检测）：
[*]参数：Filter='sobel_fast', NMS='none', Low=15, High=30。
[*]特点：牺牲精度换速度，适合嵌入式设备。
[*]医学图像分析（如血管分割）：
[*]参数：Filter='lanser2', Alpha=0.5, NMS='thin', Low=10, High=20。
[*]效果：增强弱边缘检测能力。
参数调优策略
问题现象解决方案边缘过宽启用 NMS='nms' 或 NMS='thin'噪声过多增大 Alpha 或提高 Low/High弱边缘漏检降低 Low 和 High计算速度慢改用 Filter='sobel_fast'与其他算子的对比
算子精度抗噪性输出类型适用场景edges_image像素级高梯度幅值+方向通用边缘检测edges_sub_pix亚像素高XLD轮廓高精度测量sobel_amp像素级中梯度幅值快速边缘检测总结
edges_image 是 Halcon 中灵活的边缘检测算子，支持多种滤波器和非极大值抑制模式。其核心优势在于：
[*]灵活性：通过 Filter 和 NMS 适配不同场景（速度、精度、抗噪性）。
[*]可调性：通过 Alpha 和阈值*衡噪声抑制与细节保留。
[*]输出丰富：梯度幅值和方向信息可用于后续处理（如边缘跟踪或方向分析）。
典型应用包括工业检测、医学图像处理和实时视频分析。实际使用中需根据具体需求调整参数，并配合阈值分割或形态学操作优化结果。
写到这里我想的是边缘检测都学了，霍夫变换也可以了解学习一下，反正基本都是可以配合起来一起使用的：霍夫变换的基本原理
Halcon 中的霍夫变换（Hough Transform）是一种强大的工具，主要用于从图像中检测几何形状（如直线、圆、椭圆等）
霍夫变换通过将图像空间中的点映射到参数空间（极坐标系），利用投票机制检测几何形状。
对于直线检测，每个边缘点 (x,y) 对应极坐标中的一条正弦曲线：
[*]r：直线到原点的距离（像素）
[*]θ：直线与图像x轴的夹角（弧度，范围：-π / 2 ~ π / 2)
关键步骤：
[*]参数空间量化：将 θ 和 r 离散化为有限区间。
[*]累加器投票：每个边缘点在参数空间中对应的曲线经过的区间投票计数。
[*]峰值检测：累加器值超过阈值的区间视为检测到的直线参数。
霍夫变换在halcon中的算子有：hough_lines（），hough_circles（），hough_line_trans（），hough_circle_trans（）等等。然后继续我们的算子学习正题： 4.霍夫变换直线检测算子hough_lines(RegionIn : : AngleResolution, Threshold, AngleGap, DistGap : Angle, Dist)详解（像刚才的车道线的提取就可以用这个函数来实现）： 示例1：基础直线检测
* 读取图像并提取边缘
read_image(Image, 'road.png')
edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)
threshold(Edges, RegionEdges, 1, 255)
* 霍夫变换检测直线
hough_lines(RegionEdges, 0.02, 50, 0.1, 10, Angle, Dist)
* 绘制检测到的直线
gen_region_hline(RegionLines, Angle, Dist)
dev_display(Image)
dev_display(RegionLines)
函数原型：
hough_lines(RegionIn : : AngleResolution, Threshold, AngleGap, DistGap : Angle, Dist)
[*]功能：使用霍夫变换（Hough Transform）从二值区域中检测直线，返回直线的角度和距离参数。
[*]输入/输出：
[*]输入：
[*]RegionIn：输入区域（通常为边缘检测后的二值图像）。
[*]参数：
[*]AngleResolution：角度分辨率（控制角度检测精度）。
[*]Threshold：累加器阈值（决定直线的最小支持点数）。
[*]AngleGap：角度合并阈值（合并相*角度的直线）。
[*]DistGap：距离合并阈值（合并相*距离的直线）。
[*]输出：
[*]Angle：检测到的直线的角度（弧度制，范围：-π/2 ~ π/2）。
[*]Dist：直线到原点的距离（像素单位，基于极坐标公式：r = x*cosθ + y*sinθ）。
参数详解
1. **AngleResolution（角度分辨率）**
[*]作用：定义霍夫空间中角度θ的步长（分辨率）。
[*]取值范围：通常为 0.01 ~ 1.0（弧度）。
[*]影响：
[*]小值（如 0.01）：角度划分精细，检测精度高，但计算量大。
[*]大值（如 0.1）：角度划分粗糙，计算速度快，可能漏检细节。
2. **Threshold（累加器阈值）**
[*]作用：直线在霍夫空间中的累加器值需超过此阈值才被保留。
[*]示例：调优建议：根据图像中边缘点密度调整，避免漏检或噪声干扰。
[*]Threshold=50：直线至少需要50个边缘点支持。
[*]
3. **AngleGap（角度合并阈值）**
[*]作用：合并角度差小于此值的相邻直线。
[*]单位：弧度。
[*]示例：
[*]AngleGap=0.05（约2.86°）：若两条直线角度差小于0.05弧度，视为同一方向。
4. **DistGap（距离合并阈值）**
[*]作用：合并距离差小于此值的相邻直线。
[*]单位：像素。
[*]示例：
[*]DistGap=10：若两条直线距离差小于10像素，视为同一位置。
示例2：合并相*直线
* 合并角度差
页:
[1]