灰度直方图
横坐标：是 0~255 表示灰度值的范围
纵坐标：是在不同灰度值下像素的个数！
那么灰度直方图的本质就是统计不同灰度下像素的个数！
它的直观目的，就是查看灰度的分布情况！
与之相关的函数：
threshold
threshold (ImageChannel3, Regions, 248, 255)
全局的阈值分割
binary_threshold
binary_threshold (ImageChannel3, Region, 'max_separability', 'dark', UsedThreshold)
如果你的背景和产品是很分明的，各自的灰度都有一个峰值（如上图）
这个函数会自动生产一个灰度值，可以很好的区分产品和背景。
'max_separability' 是一个算法的选择
'dark' 表示你想要的是比较暗的那个部分！
UsedThreshold，就是根据算法自动算出的灰度值！
mean_image
mean_image (Image, ImageMean, 13, 13)
字面意思就是，求图像的平均。专业的说法就是 【大名鼎鼎的】 均值滤波。
第一个参数是原始的图片，第二个参数是，滤波后的图片，最后两个参数表示，卷积核的大小（也就是平均的一个范围的大小）
我们来看看均值滤波的效果。
均值滤波后，给人的第一感觉就是，图片变模糊了，轮廓处没有那么分明了！
“ 那个这个均值滤波感觉没啥作用啊！”，我一度这么认为。
但其实，我们对对图片做某种滤波操作是，有的时候并不是为了宏观上的图片展示效果，而是微观上每个像素的值！比如均值滤波！得到每个像素值后再结合另个一个算子dyn_threshold达到目的！
dyn_threshold
dyn_threshold算子，字面意思就是 动态阈值，又名 局部阈值。比全局阈值 threshold，多了一个前缀 dyn_ 。不过是动态阈值，还是全局阈值，他们的目的都是 为了 做图片分割！把我们感兴趣的部分挑出来。动态阈值 的优势在于，在光照不均匀的情况下，还能做分割！
我们来看看这张图片：
很明显的光照不均匀，左边的偏暗，右边的偏亮！就是说产品是一个整体，是我们感兴趣的地方，需要将其分割出来，但是产品的左边变暗，右边偏亮，如果用全局阈值，那边我们很难将产品从图片中分割出来。全局分割效果如下：
动态阈值，或者说局部阈值，就能解决这个问题！它的思路是，将某个像素和周围的像素做对比，如果比 周围像素的平均值 高出某个值 就会被分割出来。这就体现了局部的特点。从而避开了光照不均的问题。
那现在的问题是 周围像素的平均值 ，这个平均值哪里来。没错，就是 mean_image。
mean_image 和 dyn_threshold 均一般是联合使用的。
首先对，图片做一个均值滤波，然后通过动态阈值，对比局部均值，分割出高出平均值一定值的像素点。
mean_image (Image, ImageMean, 27, 27)
dyn_threshold (Image, ImageMean, RegionDynThresh, 5, 'light') 
dyn_threshold 参数解释：
第四个参数（5） 的意思 就是 如果比 平均值高出5，那么改像素就是我们想要的。
mean_image 卷积核大小的选择：
卷积核越大，平均的范围就越大，也就是这个“局部”越大！如果我们把卷积核设置的比较小，看看会有什么情况：
有的产品边缘提取出来是空心的，这是因为，产品边缘线中间的区域像素差不多，在加上平均的局部区域比较小，那么中间的像素和平均像素就会相差无几，所以不会被选中。
这时，我们就需要增加卷积核的大小，卷积核的大小得比你想选中得边缘要大，这样求出均值就会更低，这样就不会出现空心的问题。
小结：
这篇文章，由灰度直方图，引出了三个常用的用于分割的函数：
- threshold 全局阈值分割
- binary_threshold
- dyn_threshold 动态阈值分割
- mean_image 均值滤波。
更多的，分割算子可以到halcon的实例代码中的Segmentation分区中去寻找：
