一、灰度增强scale_image适用于曝光不足整体偏暗。scale_image_max自动拉伸优点自动增强。缺点如果存在异常亮点容易导致整体增强效果不好。equ_histo_image直方图均衡化目的让灰度分布均匀。优点对比度明显增强。缺点噪声一起增强。二、平滑去噪mean_image优点最快。缺点边缘模糊。工业几乎不用。gauss_image优点工业使用最多。边缘保持比均值好。缺点细节下降。应用Steger亚像素OCR定位基本都有。median_image中值滤波优点去椒盐噪声最好。缺点速度慢。三、锐化增强emphasize优点边缘增强明显。缺点噪声也增强。应用字符PCB激光条纹。laplace二阶导。数学优点边缘突出。缺点特别怕噪声。sobel_amp优点速度快。缺点容易断裂。四、区域算子Threshold阈值分割 ├── ① 全局阈值 │ threshold │ ├── ② 自动阈值 │ binary_threshold │ auto_threshold │ ├── ③ 动态阈值局部阈值 │ dyn_threshold │ var_threshold │ ├── ④ 多阈值分割 │ threshold_sub_pix │ hysteresis_threshold │ ├── ⑤ 区域阈值 │ local_threshold │ ├── ⑥ 灰度区间 │ in_range │ └── ⑦ 彩色阈值 thresholdRGB trans_from_rgb threshold全局阈值threshold优点最快计算最少实时性最好。缺点不能处理光照变化。自动阈值binary_threshold自动寻找最佳阈值。优点不用人工调。缺点双峰图像效果最好auto_threshold自动计算多个阈值。动态阈值局部阈值dyn_threshold思想比较局部均值。适合光照变化。光照不均下的自适应分割优点工业使用率极高缺点参数Offset不好调。var_threshold局部方差。适合纹理。多阈值分割threshold_sub_pix是亚像素不是Region。而是轮廓。定位更准确。hysteresis_threshold双阈值。 Canny区域阈值local_threshold五、形态学gray_opening去亮噪声。gray_closing补孔。gray_dilation目标变粗。gray_erosion目标变细。类别HALCON常用算子数学基础优点缺点工业使用频率灰度增强scale_image、scale_image_max、equ_histo_image灰度线性变换、直方图均衡实现简单、速度快光照不均时效果有限均衡化可能放大噪声★★★★☆去噪gauss_image、median_image、mean_image卷积、高斯分布、中值统计去除随机噪声提高稳定性会损失部分细节★★★★★锐化emphasize、laplace高通滤波、二阶导数突出边缘和纹理对噪声敏感★★★★☆边缘增强edges_sub_pix、lines_gauss、sobel_amp梯度、一阶/二阶导亚像素精度高适合测量参数较多需要根据场景调整★★★★★局部增强dyn_threshold、var_threshold局部统计、自适应阈值光照不均时效果好参数依赖场景★★★★★形态学gray_opening、gray_closing、gray_dilation、gray_erosion数学形态学去噪、修补目标形状结构元素选择影响结果★★★★☆频域增强fft_generic、convol_fft傅里叶变换去除周期噪声、纹理增强计算量较大实现复杂★★☆☆☆彩色增强trans_from_rgb、decompose3颜色空间变换可针对亮度或颜色单独增强多用于彩色检测单色工业相机较少用★★★☆☆六、工业项目常见组合1. OCRImage │ gauss_image │ scale_image_max │ dyn_threshold │ opening_circle │ OCR2. 激光条纹Image │ gauss_image │ emphasize │ lines_gauss │ Steger3. PCBImage │ median_image │ emphasize │ edges_sub_pix4. 双目视觉Image │ gauss_image │ equ_histo_image │ binocular_disparity七、halcon 和opencv 如何进行手眼标定的halcon① 相机标定(Camera Calibration) │ ▼ ② 采集多组机器人姿态 │ ▼ ③ 每个姿态拍摄标定板 │ ▼ ④ 求每张图标定板Pose │ ▼ ⑤ 构造 A、B │ ▼ ⑥ 求解 AXXB │ ▼ ⑦ 验证误差 │ ▼ ⑧ 保存标定结果步骤HALCONOpenCV数学本质相机标定camera_calibration/calibrate_camerascalibrateCamera()求内参 (K) 与畸变标定板检测find_calib_object、find_marks_and_posefindChessboardCorners()提取角点位姿估计find_marks_and_pose内部包含位姿估计solvePnP()求 (R,t)机器人位姿Robot ControllerRobot SDKBase→Tool手眼标定hand_eye_calibrationcalibrateHandEye()求解 (AXXB)验证重投影/位姿误差自己计算或项目实现精度验证创作中心-CSDNOpenCVcalibrateCamera │ ▼ Camera Matrix │ ▼ solvePnP │ ▼ Target→Camera │ ▼ Robot Pose │ ▼ calibrateHandEye │ ▼ Camera→Gripper总结1、首先完成相机标定得到相机内参和畸变参数。2、机器人移动到多个不同姿态每个姿态记录机器人末端(Base→Tool)位姿同时拍摄标定板。3、通过 HALCON 的 find_marks_and_pose或 OpenCV 的 solvePnP计算每张图中标定板相对于相机的位姿(Camera→Board)。4、利用相邻姿态构造机器人运动 A 和相机运动 B建立经典手眼标定模型 AXXB。5、HALCON 使用 hand_eye_calibrationOpenCV 使用 calibrateHandEye 求解固定变换 X即相机与机器人末端之间的外参。6、最后通过验证实验检查重投影误差、位姿误差和实际抓取误差确认标定结果满足精度要求。八、相机标定和图像矫正opencv 是如何做的用了哪些算子步骤是什么样的相机标定Halcon 像机标定原理推导_halcon相机标定-CSDN博客图像矫正如何去除镜头畸变_全景影像去畸变 csdn-CSDN博客模版匹配NCC什么时候用;当目标灰度纹理稳定、形状基本不变、只有位置发生变化时优先考虑 NCC。NCC 的数学原理什么情况下使用 NCC二维码、字符、PCB、Logo。什么时候不要用 NCC旋转。尺度变化。形状变化。遮挡。复杂背景。NCCNormalized Cross Correlation是一种基于灰度相关性的模板匹配算法它通过计算模板与搜索区域的归一化互相关系数来评价相似度。由于进行了均值和方差归一化因此对整体亮度变化有一定鲁棒性。它适用于目标纹理丰富、灰度分布稳定、尺寸和形状基本不变、旋转角度较小或固定的场景例如 OCR 字符定位、PCB 元件检测、Logo 定位等。对于大角度旋转、尺度变化、遮挡、形变或复杂背景NCC 的鲁棒性较差此时通常更推荐使用 HALCON 的 Shape-Based Matching因为它基于边缘轮廓对旋转、部分遮挡和光照变化更加稳定。模版匹配-Shape-Based√ 有旋转√ 有遮挡√ 光照变化√ 边缘明显Halcon 模板匹配-CSDN博客