上一篇讲述的例子用的素材是“善良”图片，只能用来说明一下焊点检测的基本原理。
由于机器机构设计的局限，例如焊点检测工位的前工位缺少辗平焊极的工位，或者焊片本身上下弯曲而没有在压平状态下检测，或者每片焊片上的焊点位置不固定，等等。会造成灯光不能很好的白化背景暗化焊点，时不时来几片焊点与背景混在一起的图片，让你痛不欲生。
例如下面这些奇葩，它们的特征是：粘连，和背景混合
我们来一张背景干扰的素材，它是奇葩中的战斗机，如下：
一般这样的图片，是因为焊片上翘或者下翘造成的。
（一）动态阈值分割
threshold 是采用全局阈值分割图像。这张图，会因为阀值范围内包含干扰背景，而没办法提取我们想要的焊点。
可以换成自动产生的阀值分割图像的算子bin_threshold
程序如下：
read_image (Image23, 'C:/Users/Administrator/Desktop/焊点图片/12.bmp')
gen_rectangle1 (ROI_0, 280.5, 350.5, 426.5, 474.5)
reduce_domain(Image23, ROI_0, ImageReduced)
bin_threshold (ImageReduced, Regions)
connection(Regions, ConnectedRegions)
closing_circle(ConnectedRegions, RegionClosing, 5.5)
fill_up(RegionClosing, RegionFillUp)
select_shape(RegionFillUp, SelectedRegions, 'area', 'and', 10, 99999)
count_obj(SelectedRegions, Number)结果如下图，可以看到效果还是可以的。
我们来用这段程序试下没有什么背景干扰图像会怎么样？
结果如下图，效果也是不错的。
下面这一张，结果不好，是因为上面两个焊点和其干扰背景相似，并且和下面两个焊点阈值差别太大
看来bin_threold也有缺点，因为它没有参数可以调节。
（二）用灰度直方图数据分割图像
换个思路。我们取取画面中灰度值像素数量最多的部分，算子gray_histo可取得图像的灰度值分布数量。我们经过排序后即可取得像素数量最多的灰度值。
然后使用threshold算子按此灰度值进行图像分割。
read_image (Image23, 'C:/Users/Administrator/Desktop/焊点图片/82.bmp')
gen_rectangle1 (ROI_0, 307.5, 358.5, 424.5, 475.5)
reduce_domain(Image23, ROI_0, ImageReduced)
mean_image(ImageReduced, ImageMean2, 9, 9)
gray_histo(ROI_0, ImageMean2,AbsoluteHisto, RelativeHisto)
gen_region_histo(Region1, RelativeHisto, 255, 66, 1)
PeakGray := sort_index(AbsoluteHisto)[255]
threshold(ImageReduced,Region,0,PeakGray-55)
connection(Regions, ConnectedRegions)
closing_circle(ConnectedRegions, RegionClosing, 5.5)
fill_up(RegionClosing, RegionFillUp)
select_shape(RegionFillUp, SelectedRegions, 'area', 'and', 10, 99999)
count_obj(SelectedRegions, Number)中值滤波是必需的，去掉图像噪声
对中值滤波后的图像进行计算灰度分布，取得像素量最多的灰度值。
在halcon的变量监视器中，我们看到灰度值203是分布数量最多的。红色表示的灰度分布图中绿圈处的最高点就是灰度203
下面这句话把这个灰度值用上去。
threshold(ImageReduced,Region,0,PeakGray-55)结果如下图，效果还是可以的。
试几个“正常焊点”和图片，效果也是不错的！
不过这种方法仍然有其问题，就是下面的常量55，是当前产品的经验值，而且极有可能有奇魄的图片不符合这个经验值。
threshold(ImageReduced,Region,0,PeakGray-55)
