Halcon阈值分割全攻略：从全局到局部，八大方法详解

做机器视觉的朋友，第一次接触Halcon的时候，八成都是从阈值分割开始的。我早年跟过一个外观检测的项目，要在一批小零件表面找出脏污区域，当时脑子里只有一个朴素的想法：先把目标从背景里切出来，再谈分析。带我的老师傅听完需求只回了一句话：“你先把阈值分割的几种方法搞明白，再回来聊这个项目。”后来我才发现，这句话一点不夸张——阈值分割看似只是把灰度图按某个值一分为二，但背后藏着一整支方法家族，光照条件、目标大小、对比度高低，都会直接决定该用哪种手段，选错了，结果能差出十万八千里。

这篇文章我想把Halcon里常用的阈值分割方法一次性讲透，包括全局阈值、自动阈值、局部阈值、直方图阈值、变分阈值，以及区域增长和字符分割这类特殊分支。每种方法我都会说明原理、适用场景、参数含义和实操坑点，最后附上问题排查心得。无论你是刚入行的新手，还是做了几年视觉的老手，这份内容都可以直接拿来当参考。Halcon的命令写法我尽量用HDevelop的语法展示，你在自己的环境里稍作调整就能跑。

1. 阈值分割的基础逻辑：先搞懂灰度直方图

1.1 阈值分割本质上是在做什么

阈值分割的根本思路，是把图像里每个像素根据灰度值进行二分类或多个分类。一个像素的灰度在某个范围之内，就归为目标，否则归为背景，输出一个区域（Region）。这个过程看似简单，实际上是在回答一个问题：灰度分布里，哪些区间属于我关心的东西，哪些区间属于干扰。

理解这一点最好的工具是灰度直方图。直方图的横轴是灰度值0到255，纵轴是每个灰度值出现的像素数量。理想情况下，一张目标与背景对比明显的图像，直方图会呈现两个山峰：左边一个峰是暗背景，右边一个峰是亮目标，中间是一个谷底。阈值要选的位置，理论上就在这个谷底附近——既能吃掉大部分目标，又不会把背景大片带进来。

但在现场实测中，直方图很少长得那么标准。光照不均、反光、噪声、目标自身灰度差异，都会让直方图变成一堆起伏的小山包。所以选什么阈值方法，本质上就是在什么样的直方图假设下做切割。全局阈值假设整幅图光照均匀，局部阈值假设每个邻域内光照近似一致，变分阈值假设背景灰度有缓慢渐变。理解了这个，后面每一种方法的特点就都串起来了。

1.2 分割之后别急着高兴，形态学处理是常客

很多人刚上手时，做完阈值就急着去看结果，结果发现区域边缘毛刺一堆，或者目标内部有小洞，就开始怀疑方法错了。其实阈值分割本身就只负责“分类”，不负责“整形”，输出的是一个像素级二值区域，后续往往要接形态学处理，比如开运算去掉毛刺和孤立点、闭运算填补内部空洞、腐蚀或膨胀微调边缘。

我自己的习惯是：分割完先把区域跑一遍connection（连通域分析），把互相独立的目标拆开，再用select_shape按面积、宽高、圆形度等特征筛掉杂质。只有当你发现阈值参数怎么调都无法让区域形状变干净时，才应该回头怀疑分割方法本身选错了。这个思路可以帮你省掉大量无效调参时间。

2. 全局阈值：三行代码解决八成常规场景

2.1 threshold() 的参数和直方图对应关系

全局阈值最直接的写法就是threshold，语法很简单：

threshold (GrayImage, Region, MinGray, MaxGray)

GrayImage必须是单通道灰度图，如果拿到的是RGB图，先用rgb1_to_gray转一下。Region是输出区域，MinGray和MaxGray就是要切的灰度区间，取值0到255。比如想切出灰度值100以上的亮目标，就写成：

threshold (GrayImage, Region, 100, 255)

这个方法的本质，就是把整幅图的直方图按你给定的区间做一刀切。它完全不关心图像内容，也不管光照是否均匀，所以速度最快，逻辑也最透明。现场调试时，我会先在HDevelop的“灰度直方图”工具里观察目标峰的位置，再用拖拽的方式直接预览阈值区间，感觉对了再写死参数。

2.2 什么时候选全局阈值，什么时候果断放弃

全局阈值适合的场景有明确共性：光照均匀、目标与背景灰度差足够大、目标本身灰度较一致。典型例子是背光照明下的黑白塑料件、透明玻璃瓶口、平台上的深色金属件这类高对比场景。在这些场景里，全局阈值不仅快，而且稳定，配合固定光源几乎不会出错。

反过来，如果你的图像里同时存在亮区背景和暗区背景，或者同一个目标上既有高光又有阴影，全局阈值就会非常难受。比如金属表面的字符，不同位置反光差异大，你用固定阈值切，左侧把背景切进来了，右侧目标反而丢了。这种情况就不要再硬调threshold了，往下看局部阈值那节。

我还想提醒一个常见误区：有人习惯把threshold输出之后直接拿去计量、定位，不做任何后续处理。实际项目里我几乎不会这么干，至少会接一次connection加select_shape，把离散噪声先滤掉。阈值分割给的是“候选”，而不是“结论”，这个心智模型很重要。

3. 自动阈值：让算法帮你找谷底

3.1 binary_threshold() 与Otsu原理

手动选阈值在实验阶段没问题，但到了批量处理图片、或者现场环境有轻微波动时，手动阈值就变成了维护负担。这时候可以用binary_threshold让算法自动计算阈值：

binary_threshold (GrayImage, Region, 'max_separability', 'dark', UsedThreshold)

其中Method最常用的是'max_separability'，也就是Otsu最大类间方差法。它的核心思想是：把像素分成前景和背景两类后，计算两类灰度均值的类间方差，方差越大说明两类分得越开，我们就去遍历所有可能的阈值，找出让这个方差最大的那个灰度值。你可以把Otsu理解为“自动寻找直方图上最合理谷底”的数学版本。

第二个参数LightDark告诉算法你关心的目标是暗还是亮。填'dark'时，算法会优先把灰度较低的那部分当作目标；填'light'则相反。这个方向参数看起来不起眼，但直接影响输出区域的性质，尤其在直方图两个峰面积相差悬殊的时候，方向填错，出来的区域就是背景而不是目标。

UsedThreshold是输出变量，保存算法实际选中的阈值。这个值非常有用，我调试时一定会先看一下它，确认算法选得是否合理。如果它选出的阈值和你从直方图里目测到的谷底明显偏离，说明图像本身就不适合Otsu的假设，别硬用。

3.2 auto_threshold() 多峰值分割的另一种思路

图像直方图如果存在多个峰，对应着多类灰度目标，用单阈值一刀切就不够了。Halcon提供了auto_threshold来做多阈值分割：

auto_threshold (GrayImage, Regions, Sigma)

这个算子先用高斯函数对直方图做平滑，Sigma控制平滑强度，然后在平滑后的直方图里找局部极小值，把极小值当作分割边界，从而输出多个灰度区间对应的多个区域。Sigma越大，平滑越重，检测出的峰值越少，分割出的区域类别越少，整体越抗噪。

我用auto_threshold的一个典型场景是分选物料：同一个传送带上有三种灰度深浅不同的颗粒，需要把每类颗粒切成独立区域再分别计数。这时候单阈值解决不了，而auto_threshold可以一次输出多组区域，配合select_shape非常方便。注意它返回的Regions是一个区域数组，后续要按索引逐个处理，别当成单个区域直接操作。

3.3 smooth_histo方法什么时候用

binary_threshold的另一个Method选项是'smooth_histo'，原理是先对直方图做平滑再搜索谷底。当图像噪声明显、直方图抖动剧烈时，'max_separability'可能被噪声带偏，这时候'smooth_histo'往往更稳。但它也不是万能的，平滑过度会把细小的谷底抹掉，导致阈值偏移。我的建议是：默认先用'max_separability'，如果发现阈值跳动、分割结果不稳定，再切到'smooth_histo'对比，同时打开UsedThreshold观察实际取值变化。

4. 局部阈值：专治光照不均的动态分割

4.1 dyn_threshold() 的原理：和邻域均值比高低

全局阈值最怕光照不均，因为同一个灰度值在一幅图的左边是目标，在右边可能就变成了背景。局部阈值的思路绕开了这个难题：不拿像素和全局固定值比，而是拿它和周围邻域的均值、中值或经过平滑后的灰度值比较。

Halcon里最常配套使用的是mean_image加dyn_threshold：

* 先做一个均值滤波得到背景估计 mean_image (GrayImage, ImageMean, 31, 31) * 原图与背景估计做逐像素比较 dyn_threshold (GrayImage, ImageMean, RegionDyn, 15, 'dark')

mean_image的窗口大小选多大，直接影响效果。窗口要大致和目标的尺寸相当，或者略大于目标。如果目标尺寸是20像素左右，窗口31像素就合适；如果窗口远大于目标，背景估计就太“迟钝”，相当于退化成全局阈值；窗口太小，背景估计又跟着目标边缘跑，目标反而被抹掉。

dyn_threshold的Offset参数是判断的容差。比较时原图灰度要小于背景估计至少Offset这么多，才会被判成暗目标；反过来要大于Offset，才会被判成亮目标。Offset可以理解为“灵敏度”旋钮：调大，排除噪声能力强，但低对比度的目标也漏得多；调小，细节保留好，但噪声区域容易被误分。我一般从10到20起步，根据效果细调。

LightDark参数有四个可选值：'dark'选出比背景暗的区域，'light'选出比背景亮的区域，'equal'选出和背景接近的区域，'not_equal'选出明显偏离背景的区域。'not_equal'在缺陷检测里特别实用，因为它能把比背景亮和比背景暗的异常区域同时找出来，一次到位。

4.2 local_threshold()：方法更多权限更高

dyn_threshold需要你先手动做一次滤波，而local_threshold把这一步打包进了算子内部，还多给了好几种算法：

local_threshold (GrayImage, Region, 'adapted_std_deviation', 'dark', 15, 0.1, [], [])

Method可选'mean'、'median'、'gauss'、'sobel'、'adapted_std_deviation'。其中'adapted_std_deviation'是最常用的，它会在局部统计灰度均值和标准差，根据标准差自适应地调整阈值，相当于在局部阈值之上又加了一层对灰度波动范围的建模。这个方法在背景灰度缓慢渐变但局部噪声又不同的图像上，表现比普通mean法更稳。

它的参数里MaskSize是局部统计窗口尺寸，Shift用来整体抬高或降低阈值，MinDensity是控制候选区域最小灰度密度的参数，数值是百分比，超过100则全部接受，越小越严格。实际调试中，我通常在'adapted_std_deviation'和'mean'之间切换，对比哪个能把背景纹理压得更干净。'sobel'则偏边缘响应，适合用在边缘分割场景，不常用。

4.3 局部阈值实战：同一个场景怎么选

举一个我在模拟项目X里遇到的真实场景：在一块注塑件表面打标一行字符，字符是激光雕刻的浅色痕迹，而注塑件本身有轻微纹理，且打光后左右亮度明显不一样。用threshold切，左边背景过曝被切进来，右边字符又切不全。换成局部阈值后，字符区域一下子就干净了。

这里的关键是理解局部阈值的隐含假设：它假设在目标尺寸这个尺度内，背景灰度是近似一致的。打标字符作为高频细节，会被当作“偏离背景”的像素挑出来，而注塑件的渐变反光因为是空间大尺度的低频变化，会被背景估计吸收掉。所以局部阈值本质上是高频细节提取器，天然适合表面缺陷、纹理背景、渐变光照场景。

需要注意，局部阈值计算量比全局阈值大不少，如果图像很大、现场节拍又紧，建议先reduce_domain只处理感兴趣区域，或者缩小分辨率测试效果。我遇到过因为用了31×31的均值窗口处理2000万像素大图，单帧耗时翻倍的情况，后来把窗口改小并用ROI限定范围才压回节拍内。

5. 直方图阈值和多区域分割

5.1 histo_threshold() 怎么用

histo_threshold算是threshold家族里的冷门选手，但特定场景下非常好用：

histo_threshold (GrayImage, Region, 10)

它的做法是：先按指定的量化宽度（Quantization）把灰度直方图分区，例如填10就是按10个灰度级为一段来统计，然后分析直方图形状，自动确定一个分割阈值。你可以把Quantization理解成直方图的“桶宽”，桶越宽，直方图越平滑，越不容易被细碎峰干扰；桶越窄，保留细节越多，但可能过分割。

我用它比较多的场景是背景和目标灰度各自集中、但峰位置不稳定的情况。比如几种材质的混合分选，A材质灰度集中在40到60，B材质灰度集中在140到160，中间是空白区，histo_threshold能自动找到中间的阈值，而且因为直方图做了量化，比直接用binary_threshold更抗小波动。

5.2 手动多阈值切分多类目标

有些需求里，你需要把图像切成三个或更多灰度层，比如把暗色杂质、中灰基材、亮色镀层分别提取出来。Halcon的threshold本身支持单次输出一个区间，多类目标就写几次：

threshold (GrayImage, Region1, 0, 80) threshold (GrayImage, Region2, 81, 160) threshold (GrayImage, Region3, 161, 255)

然后分别对三个区域做形态学整理和特征筛选。这个方法思路直白，但阈值的上下界选择完全依赖人工观察。我的经验是：一定要先用gray_histo或者HDevelop的直方图工具统计每个峰的均值和宽度，再定区间边界，而不是靠肉眼猜。

还有一种做法是gray_histo配合min_max_gray先求出目标的灰度范围，再动态生成阈值区间。这在批量换产线时很省事，因为每次切换产品型号，灰度特性变化后，代码不用改，阈值会跟着统计结果走。

6. 变分阈值：var_threshold() 的特殊定位

6.1 var_threshold() 原理与参数拆解

var_threshold是我私藏的一个算子，它的定位是：在局部均值的基础上，引入局部标准差来动态决定阈值。写法如下：

var_threshold (GrayImage, Region, 5, 5, 0.2, 2, 'dark')

它先在一个MaskWidth × MaskHeight的窗口内计算灰度均值和标准差，然后对每个像素生成一个动态阈值，阈值等于局部均值减去（或加上）标准差的若干倍，再加上一个绝对偏移。StdDevScale是标准差前的倍率，AbsThreshold是绝对偏移量，LightDark决定方向。

举个例子，假设某像素邻域均值是120，标准差是5，填0.2的StdDevScale和2的AbsThreshold，那么暗方向的阈值大约是120 - 0.2×5 - 2 = 116，像素灰度低于116就属于暗目标。当邻域灰度波动大，阈值会跟着抬高，避免把正常的边缘起伏当目标；当邻域很平坦，阈值就会压低，弱小的暗点也能被揪出来。

6.2 变分阈值适合什么场景

var_threshold最擅长的是在背景纹理复杂、但需要捕捉细小灰度异常的场景，比如金属表面的麻点、织物检测中的微小色差、PCB板上细小的污渍。普通局部阈值在背景纹理波动大的地方容易误报，而变分阈值因为把标准差纳入了判断，能自动适应局部“活跃程度”，所以误报率明显更低。

不过它也更容易受参数组合影响。StdDevScale填大了，弱缺陷漏检；填小了，背景纹理被误判。我调试时一般从0.2起步，配合AbsThreshold微调，同时用多个样本图做批量验证，避免只在一张图上调好了、换一张图就崩。这个算子的窗口参数我建议从小窗口（比如5×5或7×7）开始试，因为太小窗口标准差估计不稳定，太大窗口又会把局部细节磨平。

7. 区域增长和字符分割：阈值的两个特殊分支

7.1 regiongrowing() 不只是阈值，更像“从种子长区域”

严格说regiongrowing不是传统意义的阈值分割，但它是阈值分割思想的空间扩展，值得放在一起说。它的思路是：从某个像素出发，如果相邻像素的灰度值和当前已生长区域的均值之差在容差范围内，就把它并入区域，持续向外生长。

regiongrowing (GrayImage, Regions, 3, 3, 6, 100)

Row和Column是邻域窗口尺寸，Tolerance是灰度容差，MinSize是结果区域的最小面积，小于这个面积的区域会被过滤掉。这个算子比较适合目标内部灰度分布不匀、但整体连通的场景，比如带渐变的塑料件表面，或者有明显内部纹理分割需求的对象。

实际使用中，Tolerance是最难调的参数。它控制了生长时允许的灰度波动幅度，太小区域长不出来，太大会把背景一起吞进来。我的经验是先设一个比较小的值（比如5）跑一遍，观察区域的破碎程度，再逐步放大。另外它一次会输出多个区域，别忘了用connection和select_shape做后处理。

7.2 char_threshold()：专门给字符识别准备的阈值

如果你做的是OCR前处理或者字符检测项目，char_threshold会比普通阈值更对路：

char_threshold (GrayImage, Histo, 'fast', 'dark', 25, UsedThreshold)

它会基于灰度直方图计算一个适合分割字符的阈值，MinPerc参数指定了期望中暗像素（或亮像素）所占的最小比例，以此约束阈值选择的方向；UsedThreshold返回最终使用的阈值值。Method有'fast'和'max_separability'，前者速度快，后者精度高一些。

这套逻辑在字符密集、笔画粗细不均的情况下比binary_threshold更贴心，因为它把“目标像素占比”这个先验知识引入了判断。拿到UsedThreshold之后，你可以再拿这个值去跑threshold，这样字符提取和后续识别模型解耦，调试时更灵活。我在一个印刷质量检测的项目里就是用这种组合方式处理混色字符的，效果比单算子好不少。

8. 阈值分割常见问题排查与实操心得

8.1 问题速查表

我在多个项目里反复踩过的坑，整理成一份速查表，排查时可以对照着看。

这张表不能解决所有问题，但覆盖了八成现场工程师的日常困扰。出现问题时，先看直方图，再看分割结果形态，基本能锁定方向。

8.2 预处理比调阈值更值得投入

很多人一上来就猛调阈值参数，我却建议先在预处理上花时间。图像有噪声，先median_image或gauss_filter；对比度不足，先用scale_image或emphasize增强；反光严重，先考虑镜头加偏光片或者改打光方式，而不是指望算法硬扛。

印象最深的一个项目里，某零件的划痕检测始终做不稳，阈值换了好几种方法效果都一般。后来发现是光源角度在视场内造成了一个微弱的灰度斜坡，我用dyn_threshold解决了一部分，但噪声还在影响误报。最后加了高斯滤波并适当加大Offset，漏检和误报才同时压到可接受范围。算法选型、预处理、参数微调，这三件事是配合着做的，任何一件走极端都会翻车。

8.3 方法选型的一点个人经验

我整理了一个简单粗暴的选型逻辑，供大家参考：光照均匀、对比强、背景单一，直接threshold或binary_threshold；光照有渐变但目标边缘清晰，用dyn_threshold配合mean_image；背景纹理复杂且要抓细小异常，先试var_threshold；多灰度类别共存的图，用histo_threshold或多次threshold；字符一类的结构目标，直接上char_threshold。

另外建议所有方法都加一个统一的后续流程：connection拆连通域，select_shape过滤特征，必要时closing_circle或opening_circle修形。这样哪怕分割参数有小波动，后处理也能兜住一部分误差，项目稳定性高很多。实际量产环境里，算法“不出错”比“偶尔特别准”重要得多，稳定压倒一切。

这几种阈值分割方法没有绝对的高下之分，只有适合不适合。我做项目这么多年，最大的体会就是：拿到图像先别急着写代码，花五分钟看直方图，用手头的工具把图像翻一翻，基本就能判断该往哪个方向走。阈值分割的圈子不大，但每个方法背后都对应着一种对图像的假设，理解这些假设，比背下算子签名有用得多。希望这篇实战笔记能让你少走几次弯路。