Blob分析+特征

0 前言

在缺陷检测领域，halcon通常有6种处理方法，包括Blob分析+特征、Blob分析+特征+差分、频域+空间域、光度立体法、特征训练、测量+拟合，本篇博客介绍Blob分析+特征。

1 概念

在计算机视觉中的Blob是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域,一般来说，该区域就是图像中的前景。Blob分析是对图像中相同像素的连通域进行分析(该连通域称为Blob)。其过程其实就是将图像进行二值化分割得到前景和背景，然后进行连通区域检测，从而得到Blob块的过程。简单来说，blob分析就是在一块“光滑”区域内，将出现“灰度突变”的小区域寻找出来。

2 方法

Blob分析 + 特征的主要处理流程如下：

图像采集—— 图像分割—— 特征提取

2.1 图像采集

图像采集就是指获取一张图像。目前有3种方法（原理都一样）分别是使用算子read_image( : Image : FileName : )、从文件->读取图像（ctr+R）然后生成代码、菜单栏，助手也可以。

2.2 图像分割

当已经获取了图像，接下来的任务就是去选择前景像素，这个也被称为图像分割，主要就是将作为缺陷的前景部分与背景部分分割出来。

常用分割方法：直接输入；硬阈值分割；软阈值分割。

阈值分割又包括：

1）简单阈值分割threshold

适用范围：目标与背景之间存在灰度差（如果环境稳定，阈值可以在离线状态下一次确定）

2）动态阈值分割dyn_threshold

适用范围：背景不均一无法确定全局阈值、目标经常表现为比背景局部亮一些或者暗一些。这时候需要通过其领域来找到一个合适的阈值进行分割。
确定其领域的方法是：通过一些平滑滤波算子来确定领域，例如mean_image或者binomial_filter

3）自动全局阈值方法bin_threshold

4）watersheds_threshold

图像分割后通常需要进行形态学处理以提取“对表达和描绘区域形状有意义的图像分量”，使后续的识别工作能够抓住目标对象最为本质的形状特征

常用形态学处理：

腐蚀、膨胀、开运算、闭运算等，具体请参考这篇博文：https://blog.csdn.net/weixin_44049823/article/details/129319223

2.3 特征提取

在最后一步，去计算特征，常用特征如下：

区域特征：

面积area，力矩Moments、平行于主轴的最小矩形smallest_rectangle1、任意方向的最小矩smallest_rectangle2、
最小圆形smallest_circle、convexity：凸包面积、contlength：区域边界长度、形状特征：roundness，circularity，compactness，rectangularity

灰度特征：

简单灰度值特征：区域的平均灰度值，区域的最小和最大灰度值

在实际应用中，需要处理更多步骤，因为很多实际因素，目标信息很难处理。比如图像中有很多杂斑（很难提取目标位），光照不均等。还有Blob分析需要后期处理。比如将特征信息转换成实际坐标信息，显示目标物等。

完整的blob分析处理流程如下：

图像采集->应用ROI->定位ROI->矫正图像->图像预处理->动态获取分割参数->图像分割->处理区域->特征提取->将像素坐标转换到世界坐标->结果显示或者输出

图像预处理常用算子：

mean_image:均值滤波

gauss_image:高斯滤波

median_image:中值滤波

动态获取分割参数常用算子：

gray_histo_abs:灰度直方图

histo_to_thresh:直方图二值化

3 主要应用场景：

针对二维目标图像和高对比度图像，适用于有无检测和缺陷检测。常用于二维目标图像、高对比度图像、存在/缺席检测、数值范围和旋转不变性需求。

显然，纺织品的瑕疵检测，玻璃的瑕疵检测，机械零件表面缺陷检测，可乐瓶缺陷检测，药品胶囊缺陷检测等很多场合都会用到blob分析。