从行程编码到形态学：Halcon中erosion、connection、fill_up的算法实现与优化

1. 行程编码：Halcon区域处理的秘密武器

第一次接触Halcon时，我被它处理二值图像的速度震惊了。后来才发现，这都要归功于**行程编码（Run-Length Encoding, RLE）**这个底层数据结构。简单来说，行程编码用一系列水平线段（称为run）来表示区域，每个run只需要记录三个参数：（行号，列起始坐标，列结束坐标）。比如一个3×3的正方形区域，用行程编码表示就是[(1,1,3), (2,1,3), (3,1,3)]。

这种表示法有三大优势：

• 存储效率高：相比逐像素存储，节省90%以上内存
• 计算速度快：形态学操作可以直接对线段进行操作
• 边界处理简单：自动跳过区域外像素检查

在实际项目中，我处理过一个5000×5000像素的PCB板图像。传统像素数组需要25MB内存，而行程编码只用了不到200KB。更重要的是，后续的腐蚀、膨胀操作速度提升了近20倍。

2. 腐蚀算法：从理论到极致优化

2.1 腐蚀的数学本质

腐蚀的数学定义很简单：结构元素S在区域R内"滑动"，只有当S完全包含在R内时，参考点位置才被保留。但实现起来却大有讲究。Halcon中最常用的3×3矩形结构元素，参考点通常在中心位置。

我做过一个实验：用传统像素遍历法处理1024×1024图像需要约200ms，而优化后的行程编码版本仅需8ms。关键优化点在于：

1. 水平行程平移：对行程的列坐标直接加减偏移量
2. 垂直行程合并：利用行程的有序性快速判断包含关系
3. 结构元素分解：将矩形结构元素拆分为水平+垂直操作

# 伪代码示例：行程编码的腐蚀操作 def erosion(runs, se_width): new_runs = [] for (row, col_beg, col_end) in runs: # 水平腐蚀：收缩列坐标 new_col_beg = col_beg + se_width//2 new_col_end = col_end - se_width//2 if new_col_beg <= new_col_end: new_runs.append((row, new_col_beg, new_col_end)) return vertical_erosion(new_runs, se_height//2)

2.2 工业检测中的实战技巧

在液晶屏缺陷检测项目中，我发现腐蚀操作有两个意想不到的用途：

1. 去除毛刺：用圆形结构元素腐蚀3次，可以完美去除边缘锯齿
2. 尺寸测量：通过不同尺寸结构元素的腐蚀结果，可以估算缺陷的近似宽度

但要注意结构元素的选择——十字形适合保留直角特征，圆形适合各向同性处理。我曾经因为选错结构元素，导致测量误差达到15%，这个坑希望大家避开。

3. 连通域分析：行程编码的高效实现

3.1 连通域标记的算法精髓

Halcon的connection算子之所以快，是因为它充分利用了行程编码的两个特性：

1. 行间连贯性：当前行run只需与上一行run比较
2. 等价关系管理：使用并查集(Union-Find)数据结构处理标签合并

具体流程分四步：

1. 初始化标签计数器current_label=1
2. 逐行扫描run，检查与上一行run的重叠情况
3. 对连通run进行标签分配或合并
4. 最后解析等价关系，统一标签

# 连通域分析的简化实现 def connection(runs): labels = {} # run -> label union_find = {} # 并查集 for i, run in enumerate(runs): connected = find_connected_runs(run, runs[:i]) if not connected: labels[run] = current_label current_label += 1 else: # 合并标签逻辑... pass # 二次扫描统一标签...

3.2 工业场景中的连通域妙用

在汽车零件检测中，connection算子帮我解决了三个关键问题：

1. 零件计数：直接获取连通域数量
2. 特征提取：自动计算每个连通域的面积、外接矩形等
3. 缺陷分类：通过连通域形状特征区分划痕和凹坑

有个经验值得分享：处理金属表面反光时，设置4连通比8连通更可靠，能避免反光区域被误连。这个参数选择直接影响检测准确率。

4. 孔洞填充：连通域分析的经典应用

4.1 fill_up算法的实现智慧

fill_up算子的精妙之处在于它把复杂问题转化为两次连通域分析：

1. 计算区域R的最小外接矩形Rect
2. 对补集R' = Rect - R做4连通分析
3. 筛选不与Rect边相连的连通域即为孔洞
4. 将孔洞区域合并回原区域

在PCB板检测中，这个算法帮我准确识别了99.7%的过孔缺陷。关键点在于：

• 补集计算：用矩形差集代替像素遍历
• 边界判断：通过外接矩形快速排除非孔洞区域
• 连通性选择：补集必须用4连通，避免误连

4.2 性能优化实战记录

最初我的fill_up实现需要50ms处理一张图，经过三次优化后降到3ms：

1. 提前终止扫描：当发现连通域接触图像边界时立即丢弃
2. 并行处理：对不同的行区间使用多线程
3. 内存预分配：避免动态内存申请的开销

特别提醒：处理不规则形状时，先做凸包运算可以显著减少补集区域的大小。我在一个齿轮检测项目中，通过这个技巧将处理时间从15ms降到了2ms。