当前位置：首页 > news >正文

Halcon灰度投影实战：用‘简单’模式搞定二维码定位，告别Blob分析的烦恼

news 2026/7/13 8:40:02

Halcon灰度投影实战：用‘简单’模式搞定二维码定位，告别Blob分析的烦恼

在工业视觉检测中，二维码定位一直是个让人头疼的问题。传统的Blob分析方法在面对光照不均、背景复杂或二维码位置飘忽不定的场景时，常常表现得力不从心。想象一下，生产线上的二维码可能因为产品摆放角度、传送带振动或表面反光等原因，导致每次采集到的图像位置都有所偏差。这时候，Blob分析就像是在黑暗中摸索，结果往往不稳定，需要反复调整参数，效率低下。

而灰度投影（Gray Projections）技术，特别是Halcon中的gray_projections算子配合'simple'模式，提供了一种更为稳健的解决方案。这种方法不依赖于复杂的图像分割，而是通过分析图像在水平和垂直方向上的灰度分布特征，结合一阶导数分析，能够快速准确地锁定二维码的位置。下面，我们将深入探讨这一技术的原理和实战应用。

1. 为什么Blob分析在二维码定位中会失败

Blob分析（Blob Analysis）是机器视觉中常用的区域分析方法，它通过阈值分割、连通域分析等步骤来识别和定位图像中的特定区域。但在二维码定位场景中，Blob分析存在几个明显的短板：

对光照敏感：二维码通常由黑白模块组成，当光照不均或存在反光时，阈值分割难以准确区分二维码区域和背景。
抗干扰能力弱：如果背景中存在与二维码相似纹理的其他物体，Blob分析容易产生误检。
参数调整复杂：需要针对不同场景反复调整阈值、面积范围等参数，缺乏通用性。

* 典型的Blob分析代码示例 read_image (Image, 'qrcode.png') rgb1_to_gray (Image, GrayImage) threshold (GrayImage, Region, 100, 255) connection (Region, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 500, 999999)

相比之下，灰度投影方法直接从图像的灰度分布特征入手，避免了复杂的图像分割过程，具有更好的鲁棒性。

2. 灰度投影的核心原理与'simple'模式优势

灰度投影的基本思想很简单：将图像在某个方向（水平或垂直）上的像素灰度值进行累加或平均，得到一个一维的投影向量。这个向量反映了图像在该方向上的灰度分布特征。

Halcon中的gray_projections算子提供了两种模式：

'simple'模式：在图像坐标系的标准方向（水平和垂直）上进行投影
'rectangle'模式：在区域最小外接矩形的主轴方向上进行投影

对于二维码定位，'simple'模式具有明显优势：

计算效率高：不需要计算区域的主轴方向，直接使用标准坐标系
结果稳定：不受区域旋转影响，适合二维码通常保持水平/垂直摆放的场景
便于后续处理：投影结果可以直接用于一维信号分析

* 灰度投影基本用法 read_image (Image, 'qrcode.png') rgb1_to_gray (Image, GrayImage) gen_rectangle1 (ROI, 100, 50, 300, 400) // 定义感兴趣区域 gray_projections (GrayImage, ROI, 'simple', HorProjection, VertProjection)

3. 完整实战：从灰度投影到二维码精确定位

下面我们通过一个完整的案例，展示如何利用灰度投影和一阶导数分析实现二维码的稳定定位。

3.1 图像预处理与ROI定义

首先获取图像并定义大致的目标区域（ROI）。即使二维码位置有偏移，ROI也应该足够大以包含可能的二维码位置。

read_image (Image, 'qrcode_on_conveyor.png') rgb1_to_gray (Image, GrayImage) get_image_size (GrayImage, Width, Height) * 定义覆盖可能位置的ROI gen_rectangle1 (ROI, Height*0.2, Width*0.1, Height*0.8, Width*0.9) reduce_domain (GrayImage, ROI, ImageReduced)

3.2 灰度投影与一阶导数分析

对ROI区域进行灰度投影，然后计算一阶导数来定位二维码的边缘位置。

* 计算灰度投影 gray_projections (ImageReduced, ImageReduced, 'simple', HorProjection, VertProjection) * 将投影结果转化为一维函数 create_funct_1d_array (VertProjection, VertFunction) * 平滑处理去除噪声 smooth_funct_1d_mean (VertFunction, 3, 3, SmoothedVertFunction) * 计算一阶导数 derivate_funct_1d (SmoothedVertFunction, 'first', VertDerivative) * 寻找导数的极值点（对应二维码的边缘） local_min_max_funct_1d (VertDerivative, 'plateaus_center', 'false', MinVert, MaxVert)

3.3 二维码中心位置计算

通过分析一阶导数的极值点，可以确定二维码的上下左右边界，进而计算出中心位置。

* 获取垂直方向的边界 tuple_length (MinVert, NumMins) startRow := MaxVert[0] // 上边界 endRow := MinVert[NumMins-1] // 下边界 * 同样方法处理水平投影获取左右边界 create_funct_1d_array (HorProjection, HorFunction) smooth_funct_1d_mean (HorFunction, 3, 3, SmoothedHorFunction) derivate_funct_1d (SmoothedHorFunction, 'first', HorDerivative) local_min_max_funct_1d (HorDerivative, 'plateaus_center', 'false', MinHor, MaxHor) tuple_length (MinHor, NumMinsHor) startCol := MaxHor[0] // 左边界 endCol := MinHor[NumMinsHor-1] // 右边界 * 计算二维码中心坐标 centerRow := (startRow + endRow) / 2 centerCol := (startCol + endCol) / 2 * 可视化标记 gen_cross_contour_xld (Cross, centerRow, centerCol, 20, 0.785398) dev_display (GrayImage) dev_display (Cross)

4. 性能优化与异常处理

在实际工业应用中，还需要考虑一些优化和异常处理措施：

4.1 参数调优建议

平滑系数选择：根据图像噪声水平调整平滑系数，太大可能丢失细节，太小则去噪效果不足。
ROI大小设置：ROI应足够大以包含可能的二维码位置，但也不宜过大以免增加计算量。
导数分析阈值：可以设置导数幅值阈值，避免误检小的灰度变化。

4.2 常见问题解决方案

问题现象	可能原因	解决方案
定位偏移	光照不均导致投影曲线变形	增加图像预处理（如直方图均衡化）
检测不到	二维码对比度过低	调整ROI位置或尝试灰度拉伸
多检出	背景中有类似纹理	结合二维码尺寸特征进行过滤

4.3 代码健壮性增强

* 添加边界检查 if (|MaxVert| < 1 or |MinVert| < 1 or |MaxHor| < 1 or |MinHor| < 1) throw ('无法定位二维码边界') endif * 添加尺寸合理性检查 qrHeight := endRow - startRow qrWidth := endCol - startCol if (qrHeight < 10 or qrWidth < 10 or qrHeight > Height/2 or qrWidth > Width/2) throw ('检测到的二维码尺寸异常') endif