简介：这份资源面向机器视觉开发者与Halcon学习者，聚焦景深合成这一实用技术，帮助读者理解如何将不同焦距或视角的多张二维图像融合为细节清晰的单一图像，可应用于产品检测、缺陷识别与精密装配等场景。压缩包共6个文件、约26KB，包含Halcon工程文件、C++源码、头文件、界面文件与工程配置，其中hdev工程封装了景深合成测量流程，cpp与h文件对应界面与逻辑实现，ui文件提供可视化交互布局，便于对照学习算法与界面集成方式。目前已有2323人学习下载，说明该案例在同类技术资料中具有一定参考价值。读者可从中获得一套可运行的景深合成实践案例，研究图像预处理、对齐与融合的实现思路，并借鉴Halcon与界面框架结合构建交互工具的组织方式，适合作为入门理解与二次开发的参考素材。

1. 景深合成：为什么“每张都清楚”反而合成出一张糊图

拍过微距或者显微成像的人大概都踩过同一个坑：明明每一张原图里都有一段是清楚的，把“清楚的部分”拼起来，结果接缝处出现一圈模糊的光晕，边缘像被橡皮擦蹭过。直觉上我们会以为景深合成就是把清晰像素挑出来贴到一张图上，但真正翻车的地方恰恰在这里——清晰度不是一个像素的属性，而是一个邻域窗口的统计量。你判断某个像素“清楚”，靠的是它周围一小片区域的梯度或高频能量；可一旦窗口跨过物体边缘，前景的锐利和背景的模糊就被平均掉了，于是边缘处既不算清楚也不算模糊，选谁都不对。Halcon 的景深合成算子之所以值得单独拿出来讲，就是因为它把“选焦”这件事从像素级抬到了区域级，用一套可复现的机制绕开了这个玄学。搞懂它，你才知道参数该往哪调、失败时该看哪张中间图，而不是对着结果图干瞪眼。

2. 清晰度度量：为什么梯度算子选不对，后面全白搭

2.1 从“看起来清楚”到“可计算的数”

景深合成的第一步永远是给每个像素打一个清晰度分数。人眼判断清楚靠的是边缘对比度和细节密度，机器只能把它翻译成可计算的量。常见的实现思路有三类：基于梯度的（Sobel、Tenengrad）、基于拉普拉斯的（方差、绝对值和）、基于频域的（高频能量占比）。Halcon 里做景深合成时，底层通常走的是局部方差或梯度能量这条线，因为它对噪声的鲁棒性比纯拉普拉斯稳一些。

这里有个容易被忽略的点：清晰度分数必须在同一尺度下比较。如果你对原图做了不同倍率的缩放再算分数，分数之间就没有可比性，选焦会随机跳。所以正确的顺序是先在统一分辨率下算分数图，再做后续的聚焦区域提取，而不是边缩放边算。

# 伪代码：局部清晰度分数图的计算思路 # 输入：单通道灰度图 img，窗口半径 r # 输出：与 img 同尺寸的分数图 score import numpy as np def focus_score(img, r=3): # 用局部方差近似清晰度：窗口内像素方差越大，细节越丰富 # 这里用积分图加速，避免逐窗口循环 h, w = img.shape integral = np.cumsum(np.cumsum(img.astype(np.float64), axis=0), axis=1) integral_sq = np.cumsum(np.cumsum((img.astype(np.float64)) ** 2, axis=0), axis=1) def window_sum(ii, y0, x0, y1, x1): # 积分图取矩形和，注意边界裁剪 y0, x0 = max(y0, 0), max(x0, 0) y1, x1 = min(y1, h - 1), min(x1, w - 1) s = ii[y1, x1] if y0 > 0: s -= ii[y0 - 1, x1] if x0 > 0: s -= ii[y1, x0 - 1] if y0 > 0 and x0 > 0: s += ii[y0 - 1, x0 - 1] return s score = np.zeros_like(img, dtype=np.float64) for y in range(h): for x in range(w): n = (2 * r + 1) ** 2 s1 = window_sum(integral, y - r, x - r, y + r, x + r) s2 = window_sum(integral_sq, y - r, x - r, y + r, x + r) score[y, x] = s2 / n - (s1 / n) ** 2 # 方差 return score

这段代码的关键不在方差公式本身，而在窗口半径r的语义：它决定了“多大范围内的细节才算数”。r太小，噪声会被当成清晰度，选焦图出现椒盐状跳变；r太大，物体边缘的分数被背景稀释，接缝处又开始糊。经验上r取 3 到 7 之间，具体看原图的纹理尺度——纹理越粗，窗口越大。积分图那部分是为了让复杂度从 O(h·w·r²) 降到 O(h·w)，在整幅图上跑才不至于慢到没法调参。

2.2 分数图的归一化与可比性

算出分数图之后，很多人直接拿原始分数去比大小，结果在不同曝光或不同对比度的原图之间翻车。原因是方差分数会随整体亮度漂移：一张偏亮的图，局部方差天然偏大，哪怕它其实更模糊。稳妥的做法是对每张分数图做一次归一化，比如减去均值再除以标准差，或者映射到 0 到 1 的区间。Halcon 的算子内部一般会做类似的尺度对齐，这也是为什么你直接调它的高层接口时不太需要操心这件事，但一旦自己写预处理，这一步漏掉就会看到选焦结果整体偏向某一张图。

提示：调参时先把每张分数图单独可视化出来看一眼，确认“清楚区域”在分数图上确实是高值块，而不是一片噪声。这一步能省掉后面大量无效调试。

3. 聚焦区域提取：从分数图到“谁该出现在最终图里”

3.1 逐像素取最大值的致命缺陷

最朴素的融合规则是：对每个像素位置，比较所有原图的分数，取分数最大的那张图的像素值。这个规则在理想情况下成立，但现实里分数图是有噪声的，逐像素取最大会导致选焦图在相邻像素间来回跳，最终图出现细碎的斑块和锯齿。更麻烦的是物体边缘：前景边缘的分数可能略高于背景，但边缘外侧一两个像素又反过来，于是边缘被“啃”掉一圈。

常见的补救思路是先对分数图做平滑，再做最大值选择。平滑的核不能太大，否则又把边缘抹平了；一般用 3×3 或 5×5 的均值或高斯。平滑之后，选焦图会变成一块块连通的区域，这正是我们想要的——因为真实场景里“清楚”本来就是成片出现的。

3.2 区域连通性与形态学收尾

平滑后的选焦图仍然可能有孤立的错误小块，比如某个背景区域因为纹理偶然丰富而被误选。这时候形态学就派上用场：先做开运算去掉小孤立块，再做闭运算填补区域内部的小孔。Halcon 的形态学算子在这一步很直接，关键是结构元素的大小要和误选块的尺度匹配。

# 伪代码：选焦图的后处理流程 # focus_map: 每像素记录“哪张原图分数最高”的索引图 # 这里用简化的邻域投票代替形态学，说明思路 import numpy as np from scipy.ndimage import median_filter def refine_focus_map(focus_map, ksize=5): # 中值滤波：把孤立的索引跳变抹掉，保留区域边界 # 中值比均值更适合索引图，因为它不会产生不存在的索引值 refined = median_filter(focus_map, size=ksize) return refined

中值滤波在这里比均值滤波更合适，原因很实在：索引图的值是离散的“第几张图”，均值会算出 1.7 这种不存在的索引，还得再取整，而中值直接返回邻域里出现次数最多的那个索引，天然对应“多数票”。ksize的选择和前面分数图的平滑核类似，太大则区域边界外扩，太小则去不掉孤立块。我一般会从 5 开始试，看选焦图的连通块是否干净。

3.3 边界过渡：硬切换还是软融合

即使选焦图很干净，直接按索引硬切换像素，在区域交界处仍可能看到一条细线，因为两张原图在交界处的亮度或色彩有微小差异。处理方式有两种：一是对交界带做羽化，用距离变换算出每个像素到区域边界的距离，在窄带内做加权平均；二是干脆接受硬切换，只要选焦图足够干净，差异通常在人眼阈值以下。Halcon 的高层接口默认偏向前者，因为工业检测场景对拼接痕迹很敏感。自己实现时，如果发现接缝明显，优先怀疑是分数图平滑不够导致选焦图边界抖动，而不是急着加羽化——羽化只是遮丑，不解决选焦错误。

4. 避坑与排查：景深合成里最容易翻车的几件事

4.1 现象：合成图整体偏糊，没有一张原图清楚

原因通常是分数图的窗口半径选得太大，把细节能量平均掉了，导致所有位置的分数都差不多，选焦退化成随机。解决方法是把r调小到 3 左右，重新可视化分数图，确认清楚区域的高值块能分辨出来。另一个可能是原图本身景深重叠太少，中间有“谁都不清楚”的焦段，这种情况任何算法都救不回来，只能补拍。

4.2 现象：物体边缘出现一圈光晕或重影

这是最典型的翻车现场。原因多半是分数图在边缘处被背景稀释，选焦图在边缘内外来回跳。排查顺序是：先看分数图在边缘处的值是否连续，再看选焦图边缘是否锯齿。解决手段是减小平滑核、或者改用对边缘更敏感的度量（比如只统计梯度方向一致的能量）。如果原图序列的焦面间隔太大，边缘处两张图都不够清楚，也会出光晕，这时候要回到采集端加密焦段。

4.3 现象：不同曝光或不同批次的图混在一起合成，结果偏向某一张

原因是分数没有做尺度归一化，亮度高的图分数天然高。解决方法是每张分数图独立归一化后再比较，或者在采集端固定曝光。工业场景里后者更可靠，因为归一化只能缓解不能消除。

4.4 现象：选焦图出现大块错误区域，且位置固定

如果错误区域总是出现在纹理重复的区域（比如栅格、织物），那是清晰度度量被周期性纹理骗了——重复纹理在离焦时依然有较强的局部方差。解决办法是换用对高频更敏感的度量，或者引入梯度方向一致性约束。这类问题靠调参很难根治，往往要改度量本身。

注意：排查时永远先看分数图和选焦图这两张中间结果，不要只盯着最终合成图猜原因。中间图能直接把问题定位到“度量错”还是“融合错”。

5. 设计取舍：为什么景深合成没有“通用最优参数”

景深合成的整套机制里，没有一个参数是放之四海而皆准的：窗口半径取决于纹理尺度，平滑核取决于噪声水平，形态学尺寸取决于误选块的尺度，连清晰度度量的选择都取决于场景是自然纹理还是工业表面。这背后的设计取舍很清晰——算法把“什么是清楚”的定义权交给了使用者，而不是内置一个固定判据。Halcon 提供的是可组合的算子链，而不是一个一键黑匣子，原因也在这里：工业场景的多样性决定了任何固定参数都会在某类样本上翻车。

我自己的习惯是，每换一批样本，先把分数图、选焦图、合成图三张中间结果各存一份，参数从窗口半径 3、平滑核 5 起步，逐项确认没有异常再往下走。这套流程看起来笨，但比事后对着糊图猜原因省时间得多。从那以后我每次做景深合成，都强制走一遍“先看分数图再调参”的流程，翻车率明显下来了。希望帮到你。

本文还有配套的精品资源，点击获取