halcon 入门教程（三）边缘检测

技术分享 4天前 0 999+

原文作者：aircraft

有兴趣可以多看其他的halcon教程

　　本篇讲一下边缘检测（边缘提取），因为这个我发现也是比较常用的，放在入门教程（三）会比较好，在入门教程（一）（二）学完了形态学，和Blob分析，再来学边缘检测并且结合案例感觉会掌握学习的很快。跟openCV一样主流的还是那几个检测算子Sobel、Canny、Laplacian等等。

一.边缘检测简介

1. 边缘检测的基本原理

边缘是图像中灰度、颜色或纹理发生显著变化的区域，通常对应物体的边界。边缘检测的目标是定位这些变化的区域，方法可分为：

基于梯度：通过计算像素的梯度幅值和方向（如Sobel、Canny）。
基于二阶导数：利用拉普拉斯算子检测过零点（如Laplacian）。
基于模板匹配：使用预定义的边缘模板进行卷积。

2. Halcon边缘检测的核心算法

(1) 一阶梯度法（Sobel, Prewitt）

原理：通过卷积核计算像素在水*和垂直方向的梯度（

halcon示例：

sobel_amp(Image, EdgeAmplitude, 'sum_abs', 3)  // Sobel算子，3x3卷积核 edges_image(Image, ImaAmp, ImaDir, 'canny', 1, 'nms')  // 综合梯度计算

(2) Canny边缘检测**

步骤：
1. 高斯滤波：去噪。
2. 梯度计算：类似Sobel。
3. 非极大值抑制（NMS）：保留梯度方向上的局部最大值，细化边缘。
4. 滞后阈值：使用高低阈值（LowThreshold, HighThreshold）连接边缘。

halcon示例：

edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)  // Canny算法，亚像素精度

(3) 亚像素边缘检测**

原理：在像素级边缘检测的基础上，通过插值或梯度模型拟合（如高斯函数、多项式）将精度提升到亚像素级别（精度可达0.1像素）。

halcon 示例：

edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)  // 直接输出亚像素边缘轮廓

3. Halcon边缘检测的关键技术

(1) 高斯滤波与尺度控制

作用：通过调节高斯滤波的Sigma参数控制边缘检测的灵敏度。示例：
- 大Sigma：检测粗边缘，抗噪能力强。
- 小Sigma：检测细边缘，但易受噪声干扰。

edges_sub_pix(Image, Edges, 'canny', Sigma, LowThresh, HighThresh)

(2) 非极大值抑制（NMS）**

作用：在梯度方向上仅保留局部最大值的像素，消除边缘的“宽线”现象。
Halcon参数：

edges_image(Image, ImaAmp, ImaDir, 'canny', 1, 'nms')  // 使用NMS

(3) 滞后阈值（双阈值）**

原理：参数示例：
- 高阈值：强边缘必须超过此值。
- 低阈值：弱边缘若与强边缘连接则保留。

edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40)  // Low=20, High=40

4. Halcon边缘检测的优势

亚像素精度：通过模型拟合实现超像素级边缘定位，适合高精度测量。
灵活性：支持多种算法（Canny、Sobel、Lanser等）和参数调节。
抗噪能力：高斯滤波和滞后阈值有效抑制噪声。
实时性：高度优化的算法实现，适用于工业实时检测。

5. 总结

Halcon的边缘检测通过梯度计算、非极大值抑制、双阈值分割和亚像素优化，实现了高精度和强鲁棒性的边缘提取。其核心在于*衡噪声抑制与细节保留，广泛应用于工业检测、自动驾驶、医学成像等领域。实际使用时需根据场景特点调整算法参数，并结合形态学操作（如膨胀、填充）优化结果。

二.算子与案例学习

　　这里正常我是想让大家先学习相关的算子函数的，但是因为我自己也学习过，我们学习的心态都是不见兔子不撒鹰，没有看到一些效果之前，我们都难以产生比较大的学习热情，所以这里先上一个车道线提取的案例学习，注释都会详细打清楚。在大一上学期的时候自己买了本单片机来学，发现学的太枯燥了，后来就放弃的硬件的路，后面偶然得到了个c语言的学习视频，然后跟着视频学，大一就把c语言c++，MFC那些东西都自学完了。对于初学的人没有能直观看到效果的学习，都是没有太大兴趣的。书本和文字冷冰冰的，怎么让初学者去学！！！

1.案例：车道线检测（autobahn.hdev）

老规矩，先上图，我们的目的是把一定距离内的车道的车道线给提取出来

实例代码：autobahn.hdev

* autobahn.hdev: Fast detection of lane markers *  dev_update_window ('off')        * 关闭窗口自动更新，避免频繁刷新提升执行速度 dev_close_window ()              * 关闭所有已打开的图形窗口 dev_open_window (0, 0, 768, 575, 'black', WindowID)   * 打开新窗口，位置(0,0)，尺寸768x575，背景黑色 MinSize := 30                    * 定义形态学膨胀的核大小（30x30矩形） get_system ('init_new_image', Information)   * 获取系统默认的'init_new_image'参数值 set_system ('init_new_image', 'false')       * 禁止系统自动初始化新图像，避免覆盖已有图像  * 生成网格区域，用于限制后续处理的ROI（感兴趣区域）  注意这里只是提取宽度为30像素的网格线区域出来 gen_grid_region (Grid, MinSize, MinSize, 'lines', 512, 512)   * 参数说明： *   Grid        : 输出网格区域 *   MinSize     : 网格线间距（水*和垂直均为30像素） *   'lines'     : 生成线型网格（非矩形块） *   512, 512    : 网格覆盖的原始图像尺寸（此处可能与实际图像尺寸不一致，后续通过裁剪修正）  * 裁剪网格区域，仅保留道路部分（坐标范围：行130~450，列10~502） clip_region (Grid, StreetGrid, 130, 10, 450, 502)    dev_set_line_width (3)           * 设置显示线宽为3（用于网格和边缘的高亮显示） dev_set_color ('green')          * 设置显示颜色为绿色（用于网格） read_image (ActualImage, 'autobahn/scene_00')   * 读取第一帧图像（scene_00） dev_display (ActualImage)        * 显示图像 stop ()                          * 暂停程序，等待用户按F5继续 dev_display (StreetGrid)         * 在图像上叠加显示裁剪后的网格区域（绿色） stop ()                          * 再次暂停  for i := 0 to 28 by 1     * 读取当前帧图像（例如：scene_00, scene_01,..., scene_28）     read_image (ActualImage, 'autobahn/scene_' + (i$'02'))       * i$'02'表示两位数字补零          * 将处理区域限制到StreetGrid网格内     reduce_domain (ActualImage, StreetGrid, Mask)       * 作用：生成一个掩膜图像Mask，仅保留StreetGrid区域内的像素          * Sobel边缘检测（梯度幅值计算）     sobel_amp (Mask, Gradient, 'sum_abs', 3)       * 参数说明：     *   'sum_abs'   : 梯度计算方法（水*与垂直方向绝对值之和）     *   3           : Sobel算子尺寸（3x3核）          * 初次阈值分割提取边缘点   Gradient这个是得到的梯度图，只有在边缘区域(也就是道路和道路线交汇的区域)才会有较高的灰度值存在     threshold (Gradient, Points, 20, 255)       * 提取梯度值在[20, 255]之间的区域（初步筛选车道线边缘）          * 形态学膨胀（连接离散边缘点）     dilation_rectangle1 (Points, RegionDilation, MinSize, MinSize)       * 使用30x30矩形核对边缘点进行膨胀，连接相邻点形成连续区域          * 限制处理区域到膨胀后的区域     reduce_domain (ActualImage, RegionDilation, StripGray)       * StripGray为仅包含RegionDilation区域的灰度图像          * 高亮度区域提取（车道线通常为白色/黄色）     threshold (StripGray, Strip, 190, 255)       * 提取灰度值在[190, 255]之间的区域（高亮度车道线）          * 填充区域内的孔洞     fill_up (Strip, RegionFillUp)       * 确保车道线区域连续无断裂          * 显示处理结果     dev_display (ActualImage)         * 显示原始图像     dev_display (RegionFillUp)        * 叠加显示检测到的车道线区域（默认颜色） endfor  dev_set_line_width (1)           * 恢复默认线宽为1 dev_update_window ('on')         * 重新启用窗口自动更新 set_system ('init_new_image', Information)   * 恢复系统参数'init_new_image'的默认值

关键步骤总结

ROI限制：通过网格裁剪 (clip_region) 和域缩减 (reduce_domain) 聚焦道路区域，减少计算量。
边缘检测：Sobel算子提取梯度，阈值分割初步筛选边缘点。
形态学处理：膨胀操作连接离散点，填充操作确保车道线连续。
亮度阈值：假设车道线高亮，通过二次阈值分割精确定位。

效果图：

　　第一个案例有我的注释在理解起来应该还是比较简单的，也发现了里面开始运用到了一些边缘检测的算子，接下来我们就学习一下几个常用的边缘检测的算子。

1.sobel算子sobel_amp(Image : EdgeAmplitude : FilterType, Size : )详解：

函数原型：

sobel_amp(Image : EdgeAmplitude : FilterType, Size : )

功能：通过 Sobel 算子计算图像的梯度幅值，用于边缘检测。
输入/输出：
- Image：输入图像（单通道灰度图像）。
- EdgeAmplitude：输出图像，表示梯度幅值（边缘强度）。
- FilterType：梯度计算方法（如 'sum_abs'）。
- Size：Sobel 核的大小（3, 5, 7, 9, 11 等奇数）。

1. `FilterType参数`（梯度计算方式）

控制梯度幅值的计算方法，常见选项如下：

**'sum_abs'**（默认）：
- 计算水*和垂直方向梯度的绝对值之和：
- 计算速度快，适用于实时性要求高的场景。
**'thin_sum_abs'**：
- 类似 'sum_abs'，但使用更小的卷积核（仅适用于 Size=3）。
**'x'** 或 **'y'**：
- 仅计算水*方向（'x'）或垂直方向（'y'）的梯度。
**'frei_chen'**：
- 使用 Frei-Chen 算子，增强对角边缘的响应。
- 适用于复杂纹理或对角边缘检测。
**'sobel'**：
- 计算欧几里得距离（*方和开根号）：
更接*理论梯度，但计算量较大。

2. `Size`（卷积核大小）

取值范围：3, 5, 7, 9, 11 等奇数。
影响：
- 小尺寸（如 3）：检测细边缘，但对噪声敏感。
- 大尺寸（如 5）：检测粗边缘，抗噪能力强，但可能丢失细节。
典型选择：
- 大多数场景：Size=3。
- 高噪声图像：Size=5 或 7。

使用示例

示例 1：基本边缘检测

read_image(Image, 'part.png') sobel_amp(Image, EdgeAmplitude, 'sum_abs', 3) threshold(EdgeAmplitude, Edges, 20, 255)  // 阈值分割提取边缘

应用场景

工业检测：
- 检测零件轮廓、缺陷边缘。
- 参数建议：FilterType='sum_abs', Size=3。
车道线检测（如 autobahn.hdev）：
- 提取车道线边缘，需*衡噪声抑制和边缘连续性。
- 参数建议：FilterType='sum_abs', Size=3。
医学图像处理：
- 检测组织边界或血管。
- 参数建议：FilterType='frei_chen', Size=5（增强复杂边缘）。

参数选择建议

场景需求	推荐参数
实时性要求高	`FilterType='sum_abs'`, `Size=3`
高精度边缘定位	`FilterType='sobel'`, `Size=3`
抗噪需求强	`Size=5` 或 `7`
检测对角边缘	`FilterType='frei_chen'`

与其他算子的对比

算子	特点	适用场景
`sobel_amp`	灵活调节核大小，多种梯度计算方式	通用边缘检测
`edges_image`	集成非极大值抑制（NMS）和亚像素精度	高精度边缘（如测量）
`canny`	双阈值和NMS，抗噪能力强但计算量大	复杂背景下的弱边缘检测

2.亚像素精度边缘提取算子（常用）edges_sub_pix(Image : Edges : Filter, Alpha, Low, High : )详解：

函数原型：

edges_sub_pix(Image : Edges : Filter, Alpha, Low, High : )

功能：亚像素级精度的边缘检测，输出连续的边缘轮廓（XLD格式）。
输入/输出：
- Image：输入图像（单通道灰度图像）。
- Edges：输出的亚像素边缘轮廓（XLD对象）。
- Filter：边缘检测滤波器类型（如 'canny', 'lanser2', 'deriche1'）。
- Alpha：滤波器的*滑参数（控制边缘锐度与抗噪性）。
- Low, High：滞后阈值（用于边缘连接）。

参数详解

1. `Filter`（滤波器类型）

不同滤波器对应不同的边缘检测算法：

**'canny'**（默认）：
- 基于高斯导数，支持亚像素精度。
- 适用于通用场景，计算效率高。
- Alpha：高斯滤波器的标准差（推荐值：1.0~3.0）。
**'lanser2'**：
- 使用 Lanser 滤波器，边缘定位更精确。
- 适用于高精度测量，但计算量较大。
- Alpha：*滑参数（推荐值：0.3~0.7）。
**'deriche1'** 和 **'deriche2'**：
- 基于递归滤波器，适合实时处理。
- Alpha：控制*滑程度（值越大，*滑越强）。

2. **`Alpha`（*滑参数）**

作用：*衡边缘锐度与噪声抑制。
- 小Alpha（如 0.5）：保留细节，但易受噪声干扰。
- 大Alpha（如 3.0）：强*滑，适合高噪声图像。
典型值：
- 'canny'：1.0~3.0。
- 'lanser2'：0.3~0.7。

3. `Low` 和 `High`（滞后阈值）

作用：经验规则：High ≈ 2 * Low。
- High：边缘强度的最低阈值，高于此值的边缘被保留。
- Low：低于此值的边缘被忽略；介于两者之间的边缘需与高阈值边缘连接。
示例：
- 若图像对比度低，设置 Low=10, High=20。
- 若对比度高，设置 Low=30, High=60。

使用示例

示例 1：Canny 边缘检测

read_image(Image, 'part.png') edges_sub_pix(Image, Edges, 'canny', 1.5, 25, 50) dev_display(Edges)  * 显示亚像素边缘

示例 2：Lanser 滤波器（高精度）

edges_sub_pix(Image, Edges, 'lanser2', 0.5, 20, 40)

应用场景

工业测量：
- 检测零件边缘，用于尺寸测量。
- 参数建议：Filter='lanser2', Alpha=0.5, Low=20, High=40。
车道线检测：
- 提取车道线轮廓，结合形态学处理。
- 参数建议：Filter='canny', Alpha=1.5, Low=15, High=30。
医学图像分析：
- 定位组织或器官边界。
- 参数建议：Filter='canny', Alpha=2.0, Low=10, High=20。

参数调优策略

问题现象	解决方案
边缘断裂	降低 `Low` 或增大 `Alpha`
噪声过多	增大 `Alpha` 或提高 `Low`/`High`
边缘模糊	减小 `Alpha`
漏检弱边缘	降低 `High` 或 `Low`

对比其他边缘检测算子

算子	精度	抗噪性	速度	适用场景
`edges_sub_pix`	亚像素	高	中	高精度测量
`sobel_amp`	像素级	中	快	快速边缘检测
`canny`	像素级	高	慢	复杂背景下的边缘

总结

edges_sub_pix 是 Halcon 中实现亚像素边缘检测的核心算子，通过合理选择滤波器类型（Filter）、*滑参数（Alpha）和阈值（Low, High），可在噪声抑制与细节保留之间取得*衡。典型场景包括工业零件测量、车道线识别和医学图像分析。实际应用中需结合后处理操作（如边缘连接和拟合）以提升结果质量。

3.像素精度边缘提取算子edges_image(Image : ImaAmp, ImaDir : Filter, Alpha, NMS, Low, High : )详解：

函数原型：

edges_image(Image : ImaAmp, ImaDir : Filter, Alpha, NMS, Low, High : )

功能：执行像素级边缘检测，输出梯度幅值图像（ImaAmp）和方向图像（ImaDir），支持多种滤波器和非极大值抑制（NMS）。
输入/输出：
- Image：输入图像（单通道灰度图像）。
- ImaAmp：输出梯度幅值图像（灰度图，高值对应边缘）。
- ImaDir：输出梯度方向图像（角度图，范围0~180°）。
- Filter：边缘检测滤波器类型（如 'canny', 'sobel_fast'）。
- Alpha：滤波器*滑参数。
- NMS：非极大值抑制模式（'none', 'nms', 'thin'）。
- Low, High：滞后阈值（用于边缘连接）。

参数详解

1. `Filter`（滤波器类型）

**'canny'**：
基于高斯导数的Canny算法，支持亚像素级精度。
- Alpha：高斯滤波的标准差（推荐值1.0~3.0）。
- 特点：抗噪能力强，适用于复杂场景。
**'sobel_fast'**：
优化的Sobel算子，计算速度快。
- Alpha：无意义（可设为任意值）。
- 特点：适合实时处理，但精度较低。
**'lanser2'** 或 **'deriche2'**：
高精度滤波器，适合测量任务。
- Alpha：控制*滑强度（参考值0.3~0.7）。

2. **`Alpha`（*滑参数）**

作用：控制滤波器的*滑程度。
- 小Alpha（如0.5）：保留细节，适合清晰边缘。
- 大Alpha（如3.0）：强*滑，适合高噪声图像。

3. `NMS`（非极大值抑制模式）

**'none'**：不进行非极大值抑制，输出宽边缘。
**'nms'**：标准非极大值抑制，细化边缘至单像素宽。
**'thin'**：优化细化模式，适合高精度测量。

4. `Low` 和 `High`（滞后阈值）

作用：经验规则：High ≈ 2 * Low。
- High：边缘强度的最低阈值，高于此值的像素被保留为强边缘。
- Low：低于此值的像素被忽略；介于两者之间的像素需与强边缘连接。
示例：
- 低对比度图像：Low=10, High=20。
- 高对比度图像：Low=30, High=60。

使用示例

示例1：Canny边缘检测（带NMS）

read_image(Image, 'part.png') edges_image(Image, Amp, Dir, 'canny', 1.5, 'nms', 20, 40) threshold(Amp, Edges, 1, 255)  // 二值化边缘

示例2：Sobel快速检测（无NMS）

edges_image(Image, Amp, Dir, 'sobel_fast', 0, 'none', 10, 20)

应用场景

工业零件检测：
- 参数：Filter='canny', Alpha=1.5, NMS='nms', Low=20, High=40。
- 效果：高精度定位边缘，用于尺寸测量。
实时视频处理（如车道线检测）：
- 参数：Filter='sobel_fast', NMS='none', Low=15, High=30。
- 特点：牺牲精度换速度，适合嵌入式设备。
医学图像分析（如血管分割）：
- 参数：Filter='lanser2', Alpha=0.5, NMS='thin', Low=10, High=20。
- 效果：增强弱边缘检测能力。

参数调优策略

问题现象	解决方案
边缘过宽	启用 `NMS='nms'` 或 `NMS='thin'`
噪声过多	增大 `Alpha` 或提高 `Low`/`High`
弱边缘漏检	降低 `Low` 和 `High`
计算速度慢	改用 `Filter='sobel_fast'`

与其他算子的对比

算子	精度	抗噪性	输出类型	适用场景
`edges_image`	像素级	高	梯度幅值+方向	通用边缘检测
`edges_sub_pix`	亚像素	高	XLD轮廓	高精度测量
`sobel_amp`	像素级	中	梯度幅值	快速边缘检测

总结

edges_image 是 Halcon 中灵活的边缘检测算子，支持多种滤波器和非极大值抑制模式。其核心优势在于：

灵活性：通过 Filter 和 NMS 适配不同场景（速度、精度、抗噪性）。
可调性：通过 Alpha 和阈值*衡噪声抑制与细节保留。
输出丰富：梯度幅值和方向信息可用于后续处理（如边缘跟踪或方向分析）。

典型应用包括工业检测、医学图像处理和实时视频分析。实际使用中需根据具体需求调整参数，并配合阈值分割或形态学操作优化结果。

　　写到这里我想的是边缘检测都学了，霍夫变换也可以了解学习一下，反正基本都是可以配合起来一起使用的：

霍夫变换的基本原理

　　Halcon 中的霍夫变换（Hough Transform）是一种强大的工具，主要用于从图像中检测几何形状（如直线、圆、椭圆等）

霍夫变换通过将图像空间中的点映射到参数空间（极坐标系），利用投票机制检测几何形状。
对于直线检测，每个边缘点

关键步骤：

参数空间量化：将
累加器投票：每个边缘点在参数空间中对应的曲线经过的区间投票计数。
峰值检测：累加器值超过阈值的区间视为检测到的直线参数。

霍夫变换在halcon中的算子有：hough_lines（），hough_circles（），hough_line_trans（），hough_circle_trans（）等等。然后继续我们的算子学习正题：

4.霍夫变换直线检测算子hough_lines(RegionIn : : AngleResolution, Threshold, AngleGap, DistGap : Angle, Dist)详解（像刚才的车道线的提取就可以用这个函数来实现）：

示例1：基础直线检测

* 读取图像并提取边缘 read_image(Image, 'road.png') edges_sub_pix(Image, Edges, 'canny', 1.5, 20, 40) threshold(Edges, RegionEdges, 1, 255)  * 霍夫变换检测直线 hough_lines(RegionEdges, 0.02, 50, 0.1, 10, Angle, Dist)  * 绘制检测到的直线 gen_region_hline(RegionLines, Angle, Dist) dev_display(Image) dev_display(RegionLines)

函数原型：

hough_lines(RegionIn : : AngleResolution, Threshold, AngleGap, DistGap : Angle, Dist)

功能：使用霍夫变换（Hough Transform）从二值区域中检测直线，返回直线的角度和距离参数。
输入/输出：
- 输入：
  - RegionIn：输入区域（通常为边缘检测后的二值图像）。
- 参数：
  - AngleResolution：角度分辨率（控制角度检测精度）。
  - Threshold：累加器阈值（决定直线的最小支持点数）。
  - AngleGap：角度合并阈值（合并相*角度的直线）。
  - DistGap：距离合并阈值（合并相*距离的直线）。
- 输出：
  - Angle：检测到的直线的角度（弧度制，范围：-π/2 ~ π/2）。
  - Dist：直线到原点的距离（像素单位，基于极坐标公式：r = x*cosθ + y*sinθ）。

参数详解

1. `AngleResolution`（角度分辨率）

作用：定义霍夫空间中角度θ的步长（分辨率）。
取值范围：通常为 0.01 ~ 1.0（弧度）。
影响：
- 小值（如 0.01）：角度划分精细，检测精度高，但计算量大。
- 大值（如 0.1）：角度划分粗糙，计算速度快，可能漏检细节。

2. `Threshold`（累加器阈值）

作用：直线在霍夫空间中的累加器值需超过此阈值才被保留。
示例：调优建议：根据图像中边缘点密度调整，避免漏检或噪声干扰。
- Threshold=50：直线至少需要50个边缘点支持。

3. `AngleGap`（角度合并阈值）

作用：合并角度差小于此值的相邻直线。
单位：弧度。
示例：
- AngleGap=0.05（约2.86°）：若两条直线角度差小于0.05弧度，视为同一方向。

4. `DistGap`（距离合并阈值）

作用：合并距离差小于此值的相邻直线。
单位：像素。
示例：
- DistGap=10：若两条直线距离差小于10像素，视为同一位置。

示例2：合并相*直线

* 合并角度差<5°、距离差<20像素的直线 AngleGap := radians(5)  * 5度转弧度 DistGap := 20 hough_lines(RegionEdges, 0.02, 30, AngleGap, DistGap, Angle, Dist)

车道线检测（如 autobahn.hdev）：
- 参数建议：AngleResolution=0.02, Threshold=50, AngleGap=0.1, DistGap=15。
- 说明：合并相*的水*和倾斜车道线。
工业零件几何检测：
- 参数建议：AngleResolution=0.01, Threshold=100, AngleGap=0.05, DistGap=5。
- 说明：高精度检测零件边缘的直线特征。
文档表格线提取：
- 参数建议：AngleResolution=0.05, Threshold=30, AngleGap=0.2, DistGap=10。
- 说明：快速提取水*和垂直线。

参数调优策略

问题现象	解决方案
检测到过多短线段	提高 `Threshold`，减少噪声影响
漏检长直线	降低 `Threshold`，增大 `AngleGap`
直线断裂	合并参数（`AngleGap`和`DistGap`）设置过小，适当增大
计算速度慢	增大 `AngleResolution`，降低精度以换取速度

关键注意事项

输入区域预处理：
- 输入 RegionIn 应为二值化的边缘区域，建议先用 edges_sub_pix 或 sobel_amp 提取边缘。
极坐标系原点：
- 原点默认为图像左上角（Halcon坐标系），距离 Dist 是直线到原点的极坐标距离。
角度范围：
- 输出角度 Angle 范围为 -π/2 到 π/2，对应直线方向（与x轴夹角）。

与其他直线检测方法的对比

方法	优点	缺点
`hough_lines`	直接输出参数，支持合并相*直线	计算量较大，需精细调参
`fit_line_contour_xld`	基于轮廓拟合，精度高	需先提取边缘轮廓，无法合并直线
深度学习（如HoughNet）	鲁棒性强，适应复杂场景	需要大量训练数据和算力

总结

hough_lines 是 Halcon 中基于霍夫变换的经典直线检测算子，通过调节角度分辨率、阈值和合并参数，可适应不同场景的直线检测需求。其核心优势在于直接输出直线的极坐标参数，便于后续几何分析。实际应用中需结合预处理（边缘检测）和后处理（参数合并）以优化结果，适用于工业检测、自动驾驶和文档分析等领域。

OK，接下来在看个案例道路图像的边缘提取edge_segments.hdev：

图像：

效果图：

实例代码：

* 关闭窗口自动更新以提升执行速度 dev_update_off ()  * 关闭所有已打开的图形窗口 dev_close_window ()  * **************************** * 步骤1: 读取图像并初始化窗口 * **************************** * 读取图像文件'mreut' read_image (Image, 'mreut')  * 获取图像尺寸 get_image_size (Image, Width, Height)  * 根据图像尺寸自适应打开显示窗口 dev_open_window_fit_image (Image, 0, 0, Width, Height, WindowID)  * 设置窗口字体为等宽字体，字号12 set_display_font (WindowID, 12, 'mono', 'true', 'false')  * 设置绘图模式为仅绘制区域边界（不填充） dev_set_draw ('margin')  * 设置绘图线宽为3像素 dev_set_line_width (3)  * 显示原始图像 dev_display (Image)  * 显示继续提示信息（黑底白字） disp_continue_message (WindowID, 'black', 'true')  * 暂停执行，等待用户按键 stop ()   * **************************** * 步骤2: 边缘检测与滤波处理 * **************************** * 使用Lanser2滤波器进行边缘检测 * 参数说明： *   'lanser2' : 滤波器类型（*衡精度与抗噪性） *   0.5       : *滑系数（Alpha值） *   'nms'     : 非极大值抑制 *   20, 40    : 滞后阈值（Low=20, High=40） edges_image (Image, ImaAmp, ImaDir, 'lanser2', 0.5, 'nms', 20, 40)  * 显示梯度幅值图像 dev_display (ImaAmp)  * 显示继续提示信息 disp_continue_message (WindowID, 'black', 'true')  * 暂停执行 stop ()   * **************************** * 步骤3: 阈值分割与连通域提取 * **************************** * 对梯度幅值图像进行阈值分割（保留所有非零像素） threshold (ImaAmp, Region, 1, 255)  * 分割连通域（每个边缘段为一个独立区域） connection (Region, ConnectedRegions)  * 清空窗口并设置彩色显示模式 dev_clear_window () dev_set_colored (12)  * 显示所有连通域（不同颜色区分） dev_display (ConnectedRegions)  * 显示继续提示信息 disp_continue_message (WindowID, 'black', 'true')  * 暂停执行 stop ()   * **************************** * 步骤4: 边缘分段处理与XLD生成 * **************************** * 清空窗口准备显示最终结果 dev_clear_window ()  * 计算连通域总数 count_obj (ConnectedRegions, Number)  * 创建空对象容器存储XLD轮廓 gen_empty_obj (XLDContours)  * 遍历所有连通域 for i := 1 to Number by 1     * 选择第i个连通域     select_obj (ConnectedRegions, SingleEdgeObject, i)          * 将骨架线分割为独立线段     * 参数说明：     *   2 : 最小线段长度（短于2像素的线段被丢弃）     split_skeleton_lines (SingleEdgeObject, 2, BeginRow, BeginCol, EndRow, EndCol)          * 遍历当前连通域分割出的所有线段     for k := 0 to |BeginRow| - 1 by 1         * 根据起点和终点坐标生成XLD线段         gen_contour_polygon_xld (Contour, [BeginRow[k],EndRow[k]], [BeginCol[k],EndCol[k]])                  * 将线段添加到容器中         concat_obj (XLDContours, Contour, XLDContours)     endfor endfor  * 显示最终生成的XLD轮廓集合 dev_display (XLDContours)