1. 频域魔法当工业视觉遇上傅里叶变换第一次在Halcon里用傅里叶变换处理图像时我盯着屏幕上的频域图看了足足十分钟——那些对称的亮斑和放射状条纹活像一幅抽象派油画。但正是这幅画帮我解决了困扰团队两周的难题一块电路板上的周期性划痕在常规算法下总是若隐若现而频域处理让它像黑夜里的霓虹灯一样醒目。傅里叶变换的本质是把图像从我们熟悉的空间域转换到频域王国。想象把一张照片拆解成无数个不同频率的正弦波高频对应图像的边缘和噪声低频则对应平缓的背景。在工业检测中这个特性简直是为去除周期性干扰量身定制的武器。去年处理纺织物瑕疵检测时布料的经纬线在空间域是干扰转到频域却成了容易瞄准的靶心。2. 从空间到频域的完整作战手册2.1 穿越维度的门票FFT实战在Halcon中完成这个维度跳跃核心是fft_generic算子。我最常用的配置是这样的read_image (Image, pcb_board.jpg) rgb1_to_gray (Image, GrayImage) * 关键参数说明 * to_freq表示转换方向 * -1是指数项参数 * sqrt对结果取平方根增强可视化 * dc_center让低频集中在图像中心 * complex保留复数结果 fft_generic(GrayImage, ImageFFT, to_freq, -1, sqrt, dc_center, complex)新手常踩的坑是忽略dc_center参数。去年帮客户调试时他们的频域图低频分散在四角滤波器怎么画都不准。加上这个参数后所有低频成分自动向中心聚集就像给杂乱的人群划定了等候区。2.2 频域图的阅读理解课拿到频域图后要像医生看X光片一样观察亮度分布。我总结的快速诊断法中心亮斑代表图像的低频背景面积越大说明背景占比越高放射状亮线指向周期性干扰的方向纺织品的经纬线会呈现十字亮线对称亮点距离中心越远频率越高可能是需要消除的噪声处理金属表面检测时发现45度方向的亮线对应着机加工纹路。这个发现让我们把缺陷识别率从78%提升到93%。3. 频域手术刀滤波器的艺术3.1 现成刀具库标准滤波器Halcon提供的gen_highpass()就像标准手术器械。最近处理LCD屏检测时用这个算子快速提取了mura缺陷* 生成半径30的高通滤波器 gen_highpass(Highpass, 0.3, none, dc_center, 512, 512) * 频域乘法相当于空间域卷积 convol_fft(ImageFFT, Highpass, Filtered)但现成工具不一定趁手。有次处理太阳能电池片标准高通滤波器把栅线也过滤掉了。这时候就需要...3.2 定制手术刀区域屏蔽法paint_region()是更灵活的雕刻刀。我的工作流程通常是在频域图上用gen_circle画圆形区域用union2组合多个区域执行paint_region屏蔽特定频率* 屏蔽中心低频区域半径50像素 gen_circle(Circle, 256, 256, 50) paint_region(Circle, ImageFFT, ImageFiltered, 0, fill) * 保留水平方向中频针对条纹缺陷 gen_rectangle1(Rect, 100, 200, 412, 300) paint_region(Rect, ImageFiltered, FinalResult, 255, fill)这个方法在解决包装盒喷码残缺问题时大放异彩。通过只保留特定方向的频段成功分离了重叠的条形码和装饰花纹。4. 从魔法阵回归现实逆变换的玄机频域处理完的图像需要用fft_generic的from_freq模式转回空间域。这里有个容易翻车的细节滤波后的频域数据如果直接逆变换可能会得到超出灰度范围的数值。我的标准补救方案* 逆变换时建议使用none归一化 fft_generic(Filtered, ImageEnhanced, from_freq, 1, none, dc_center, byte) * 增强对比度时先转为实数类型 convert_image_type(ImageEnhanced, ImageReal, real) scale_image(ImageReal, ImageScaled, 10, 0)上个月处理X光片时忘记这个步骤导致增强后的图像出现大量伪影。后来发现添加scale_image调整数值范围能让增强效果更稳定。5. 实战PCB板周期性噪声消除最近接到的真实案例某型号电路板在AOI检测中总是误报插件孔周围的环形纹路为裂纹。现场采集的图像显示这些纹路间距约15像素正好可以用频域处理。完整作战步骤* 步骤1读取图像并转换 read_image(Image, pcb_defect.jpg) decompose3(Image, R, G, B) * 绿色通道通常对比度最佳 fft_generic(G, FFT, to_freq, -1, sqrt, dc_center, complex) * 步骤2设计环形滤波器 gen_image_proto(FFT, Filter, 1) for Radius : 10 to 200 by 15 gen_circle(Circle, 256, 256, Radius) paint_region(Circle, Filter, Filter, 0, fill) endfor * 步骤3应用滤波并逆变换 convol_fft(FFT, Filter, Filtered) fft_generic(Filtered, Enhanced, from_freq, 1, none, dc_center, real) scale_image(Enhanced, Scaled, 5, 100)处理后的图像中环形纹路消失了而真实的裂纹因为频率特征不同被完整保留。这个方案上线后客户端的误报率从23%直降到1.7%。频域处理就像给图像做CT扫描让隐藏的特征无所遁形。掌握这个工具后我养成了新习惯遇到棘手的图像问题先快速做个FFT看看频域图往往能发现意想不到的突破口。上周处理玻璃瓶表面检测时频域图上的蝴蝶状图案直接揭示了传送带振动导致的周期性缺陷这个发现节省了三天调试时间。
