Blob分析+特征+（差分）

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

Blob分析实际上是对闭合形状进行特征分析。

Blob分析中主要包含以下图像处理技术：

1、图像分割：

2、形态学操作：形态学操作的目的是去除噪声点的影响。（图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了遥感图像的质量，因此在图像增强处理和分类处理之前，必须予以纠正。）

3、连通性分析：将目标从像素级转换到连通分量级。

4、特征值计算：对每个目标进行特征量计算，包括面积、周长、质心坐标等特征。

5、场景描述：对场景中目标之间的拓扑关系进行描述。

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

在Blob分析之前，必须将图像分割为目标和背景。图像分割是图像处理的一大类技术，在Blob分析中拟提供分割技术包括：直接输入、固定硬阈值、相对硬阈值、动态硬阈值、固定软阈值、相对软阈值、像素映射、阈值图像。其中固定软阈值和相对软阈值方法可在一定程度上消除空间量化误差，从而提高目标特征量的计算精度。

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。

Blob分析不适用于以下机器视觉应用：低对比度图像、不能够用两个灰度表示的特征、图形检测需求。

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。