从原理到实践：Halcon中Mura缺陷检测的灰度共生矩阵应用指南

从纹理中“看见”瑕疵：Halcon灰度共生矩阵在Mura检测中的深度实践

在工业视觉检测领域，有一种挑战如同在狂风呼啸的沙滩上寻找一粒特定形状的沙粒——那就是在高纹理背景中定位Mura缺陷。无论是精密显示屏上的云状暗斑，还是高级皮革、半导体磨砂表面的团块瑕疵，它们都狡猾地隐藏在复杂的纹理图案之下，与背景的灰度值纠缠不清，让传统的阈值分割方法屡屡碰壁。对于已经熟悉Halcon基础操作的工程师和研究者而言，突破这一瓶颈，往往意味着需要从“看亮度”转向“看纹理”，而灰度共生矩阵正是开启这扇门的钥匙。这篇文章，我将结合多次项目实战中的得失，与你深入探讨如何将灰度共生矩阵这一强大的纹理分析工具，精准地应用于Mura缺陷检测，从原理参数的选择，到特征工程的构建，再到实际场景的调优，一步步构建起稳定可靠的检测方案。

1. 理解战场：Mura缺陷与高纹理背景的博弈

在动手写代码之前，我们必须先理解我们所面对的是什么。Mura缺陷并非一个明确的几何形状或固定的灰度突变，它更像是一种“感觉”——一种与周围均匀纹理格格不入的、模糊的团块状不均匀性。其核心难点可以归结为两点：

1. 灰度重叠：缺陷区域的灰度范围与正常纹理背景的灰度范围高度重叠。这意味着，单纯依靠像素灰度值的统计分布（如均值、方差）或简单的阈值，几乎无法将两者分离。你拉一个阈值，要么把大量背景纹理误杀为缺陷，要么让真正的缺陷悄然溜走。
2. 纹理干扰：背景本身具有强烈的、周期或非周期的纹理结构。这些纹理在局部可能呈现出与Mura缺陷相似的对比度变化，使得基于边缘、梯度的检测方法也容易产生大量误报。

面对这种局面，一个直观的思路是：能否先把背景“抹平”？ 这正是许多传统方法，如mean_image动态阈值或频域滤波（如官方例程中的RFT）的出发点。它们试图通过估计并减去背景光照或纹理，让缺陷“浮出水面”。然而，在实际复杂场景中，背景估计很难完美，残留的纹理噪声或估计误差本身就会引入新的干扰。

这时，我们的视角需要从“去除背景”部分转向“描述区域特性”。即使经过预处理，缺陷区域和背景区域的像素灰度值可能仍然接近，但它们的空间排列方式——即纹理特征——很可能存在本质差异。例如，一个均匀的暗斑（Mura）内部灰度变化平缓，而一个正常的磨砂纹理点阵内部灰度变化剧烈且规律。灰度共生矩阵，正是量化这种空间灰度关系的有力工具。

注意：背景抑制预处理（如频域滤波）仍然至关重要，它相当于降低了战斗的难度系数，但最终的识别判决，需要依靠更能表征本质差异的纹理特征。

2. 灰度共生矩阵：从数学概念到Halcon实现

灰度共生矩阵听起来有些学术化，但我们可以把它理解为一个“像素关系统计表”。它不关心单个像素的绝对亮度，而是关心在某个特定的空间关系下（比如，一个像素右边紧邻的那个像素），一对像素的灰度值组合出现的频率。

2.1 核心原理与关键参数

假设我们有一张8位灰度图（灰度级0-255）。我们首先将其灰度级压缩到更少的级别（例如0-7），以减少计算量并增强鲁棒性。GLCM做的就是：定义一个位移向量 d(dx, dy)。对于图像中的每一个像素点P(x, y)，我们看它的邻居点P'(x+dx, y+dy)。记录下这两个点的灰度值(i, j)，然后在矩阵的第i行、第j列的元素上加1。遍历整张图后，就得到了一个统计矩阵，它描述了在位移d下，整幅图像中灰度对(i, j)出现的概率。

在Halcon中，对应的算子主要是cooc_feature_image。它的调用方式直接决定了特征的质量：

* Regions: 输入区域，通常是我们感兴趣的区域