43：HALCON图像分割、二值化

  

Halcon中阈值二值化的算子众多，通常用得最多的有threshold、binary_threshold、dyn_threshold等。

第1种 .threshold是最简单的阈值分割算子，理解最为简单；。  .固定阈值。

第2种 binary_threshold是自动阈值算子，它可以自动选出暗（dark）的区域，或者自动选出亮（light）的区域，理解起来也没有难度。

对某些项目，材料反光 不一致。 用固定阈值可能就不稳定了。

第3种 动态阈值算子

dyn_threshold.理解起来稍微复杂一点，使用dyn_threshold算子的步骤基本是这样的：

① 将原图进行滤波平滑处理。

② 用原图和平滑后的图逐个像素做比较，它可以根据参数分割出原图比平滑后的图灰度高（或者低）若干个灰度值的区域。（不是绝对值大于15），差值 ，明亮部分肯定是大于，  dark ，肯定是小于。

第4种 Dual_threshold

第5种 Var_threshold

举例如下：

处理程序是这样的：

1 read_image (Image, 'C:/Users/happy xia/Desktop/dynPic.png')

2 mean_image (Image, ImageMean, 9, 9)

3 dyn_threshold (Image, ImageMean, RegionDynThresh, 10, 'dark')

程序分析：本例中，将图片模糊后，点阵字的黑色扩散了，随之就是字的黑色不如原图那么黑了，那么通过给定的限值“10”和“dark”，就可以将原图比模糊后的图暗10个灰阶以上的区域（即黑色文字部分）选出来了。

 以上所说的三个算子并不是本文的重点，但却是理解下面的两个阈值分割算子的准备知识。

 

1、dual_threshold

先看程序和效果图再分析。

 

1 read_image (Image, 'C:/Users/happy xia/Desktop/2.png')

2 dual_threshold (Image, RegionCrossings, 174, 200, 180)

dual_threshold(Image : RegionCrossings : MinSize, MinGray, Threshold : )

该算子签名中：Threshold 表示用于分割的阈值数值，MinSize表示分割出来的区域的最小面积（即数像素的数目个数），MinGray表示分割出来的区域对应的原图中图像像素的最高灰度不能低于MinGray设定值。

注意图中蓝色矩形小色块的面积是175个像素，因此当MinSize = 174时，它可以被分割出来。

OK，我知道这么说比较拗口。下面我边改变参数边观察效果图，并做简要分析：

1 read_image (Image, 'C:/Users/happy xia/Desktop/2.png')

2 dual_threshold (Image, RegionCrossings, 176, 200, 180)

效果图如下：

由于最小面积设置为176，那么面积为175像素的矩形小色块就没有被分割出来。

再来改变MinGray参数：

1 read_image (Image, 'C:/Users/happy xia/Desktop/2.png')

2 dual_threshold (Image, RegionCrossings, 176, 216, 180)

此时观察到，最右边那个齿轮本来分割出来的区域没有了！

通过取色器观察可知，这块区域最亮的灰度大概比211高一点点。

 

我们把这个值略微调低再看看：

1 read_image (Image, 'C:/Users/happy xia/Desktop/2.png')

2 dual_threshold (Image, RegionCrossings, 176, 210, 180)

最右边那个齿轮右下角那一块又被分割出来了！

相信通过这样参数的反复调节，大家已经彻底明白了dual_threshold算子的意义和用法。

我们看这个算子的名称——dual是“双”的意思，也就是双阈值。如果我们让参数列表中的MinGray = Threshold，那就是单阈值了。

1 read_image (Image, 'C:/Users/happy xia/Desktop/2.png')

2 dual_threshold (Image, RegionCrossings, 176, 180, 180)

这个算子是很高效的。如果要完成上面这个程序这样的功能，用threshold算子的话，代码要这样写：

1 read_image (Image, 'C:/Users/happy xia/Desktop/2.png')

2 threshold (Image, Region, 180, 255)

3 connection (Region, ConnectedRegions)

4 select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 176, 9999999)

也就是说dual_threshold一条算子顶这三条算子。

dual_threshold算子的缺陷：它只能分割出灰度值高的亮区域，不能分割出灰度值低的暗区域。

下面介绍var_threshold算子。

2、var_threshold

先看var_threshold算子的签名：

var_threshold(Image : Region : MaskWidth, MaskHeight, StdDevScale, AbsThreshold, LightDark : )

MaskWidth、 MaskHeight是用于滤波平滑的掩膜单元；StdDevScale是标准差乘数因子（简称标准差因子）；AbsThreshold是设定的绝对阈值；LightDark有4个值可选，'light'、'dark'、'equal'、'not_equal'。

需要强调的是var_threshold算子和dyn_threshold算子极为类似。不同的是var_threshold集成度更高，并且加入了“标准差×标准差因子”这一变量。

举例：

1 read_image (Image, 'C:/1.png')

2 var_threshold (Image, Region, 4, 4, 0.2, 12, 'dark')

在该程序中，先用4×4的掩膜在图像上逐像素游走，用原图中的当前像素和对应掩膜中16个像素的灰度均值对比，找出暗（dark）的区域。当原图像素灰度比对应的掩膜灰度均值低（0.2,12）个灰阶时，该区域被分割出来。本程序中StdDevScale = 0.2, AbsThreshold = 12,问题的关键就是理解如何通过StdDevScale和AbsThreshold来确定用于分割的阈值。

var_threshold的帮助文档中是这么写的：、

说明：

1、d(x,y)指的是遍历每个像素时，掩膜覆盖的那些像素块（本例中是4×4 = 16个像素）灰度的标准差；StdDevScale 是标准差因子。

2、当标准差因子StdDevScale ≥ 0 时，v(x,y) 取（StdDevScale ×标准差）和AbsThreshold 中较大的那个。

3、当标准差因子StdDevScale ＜ 0 时，v(x,y) 取（StdDevScale ×标准差）和AbsThreshold 中较小的那个。实测发现，这里的比较大小是带符号比较，由于标准差是非负数，当StdDevScale ＜ 0 时，（StdDevScale ×标准差）≤ 0恒成立。所以此时的取值就是（StdDevScale ×标准差）。

文档是这么说的：

If StdDevScale*dev(x,y) is below AbsThreshold for positive values of StdDevScale or above for negative values StdDevScale, AbsThreshold is taken instead.

大致意思是：

当StdDevScale为正时，如果StdDevScale*dev(x,y) 低于 AbsThreshold，则采用AbsThreshold。

当StdDevScale为负时，如果StdDevScale*dev(x,y) 高于 AbsThreshold，则采用AbsThreshold。

我找了一块黑白过渡处4×4的像素块，求得它的灰度标准差为51.16（或49.53）：

帮助文档中StdDevScale 的推荐值范围是-1~1，一般通过上面的例子可知，一般的明显的黑白过度处的标准差在50左右，乘以StdDevScale即-50 ~ 50 ,50的灰度差异，对于分割来说一般是够了的。

文档还说：推荐的值是0.2，如果参数StdDevScale太大，可能分割不出任何东西；如果参数StdDevScale太小（例如-2），可能会把整个图像区域全部输出，也就说达不到有效分割的目的。（……with 0.2 as a suggested value. If the parameter is too high or too low, an empty or full region may be returned.）

最后再看看是怎么分割像素的：

 

其中g(x,y)指的是原始图像当前像素的灰度值；m(x,y)指的是遍历像素时，掩膜覆盖的像素的平均灰度值（mean）。

以LightDark = ‘dark’为例，当满足m(x,y) - g(x,y) ≥ v(x,y)时（即原始图像对应像素灰度比掩膜像素灰度均值低v(x,y)个灰度值以上），相应的灰度值低的暗像素被分割出来。

最后看几个例子体会一下：（对比之前的例子var_threshold (Image, Region, 4, 4, 0.2, 12, 'dark')的效果）

① 将AbsThreshold 由12改成30，此时分割出的区域变小。

1 read_image (Image, 'C:/1.png')

2 var_threshold (Image, Region, 4, 4, 0.2, 30, 'dark')

 

② AbsThreshold 保持12不变，将StdDevScale由0.2改成0.7，此时分割出的区域变小。

 

③ 将参数改为var_threshold (Image, Region, 4, 4, -0.01, 12, 'dark')，此时分割出的区域大大增加，由前面的分析可知，此时参数AbsThreshold = 12无效，事实上，此时将AbsThreshold 改为1、50甚至200都对最终结果没有任何影响。

 

通过本人的分析，我认为StdDevScale取负值意义不大，因为它会分割出大量的不需要的区域，故一般推荐使用该算子时，StdDevScale取正值。

需要强调的是：在黑白过渡处，一般掩膜覆盖的像素的标准差较大，而在其他平缓的地方，标准差较小；因此最终采用的分割阈值随着掩膜在不断遍历像素的过程中，在(StdDevScale×标准差)和AbsThreshold 之间不断切换。

var_threshold和dyn_threshold的区别和联系：

dyn_threshold是将原图和滤波平滑后的图对比，var_threshold是将原图和对应像素掩膜覆盖的像素的平均灰度值对比。

在算子var_threshold中，如果参数StdDevScale = 0，那么就可以用动态阈值的方式非常近似地模拟。以下两种算法的效果极为类似：

1 read_image (Image, 'C:/1.png')

2 var_threshold (Image, Region, 4, 4, 0, 12, 'dark')

1 read_image (Image, 'C:/1.png')

2 mean_image (Image, ImageMean, 4, 4)

3 dyn_threshold (Image, ImageMean, RegionDynThresh, 12, 'dark')

两种方法的效果图：

 

那么当StdDevScale ＞ 0 时，var_threshold对比dyn_threshold还存在什么优点呢？我认为是在黑白过渡处能减少分割出不需要的区域的概率。（因为黑白过渡处标准差大，当然前提是StdDevScale 不能设置得太小）。

作者：xh6300

出处：xh6300 - 博客园

BLOB分析基础之一

一个简单的例子(非常理想的情况)

read_image (Image, ’particle’)

threshold (Image, BrightPixels, 120, 255)

connection (BrightPixels, Particles)

area_center (Particles, Area, Row, Column)

HALCON实际应用: Blob分析

threshold定义

• threshold算子HALCON中速度最快使用频率最高的分 割算法

• 如果目标体与背景之间存在灰度差，则threshold首先被 使用

• 如果环境稳定，阈值可在离线状态下   一次确定

分割 : Binary Threshold

分割 : Histogram

自动地全局阈值的方法

1.统计直方图 n

2.寻找出现频率最高的灰度值

3.把比最高灰度值小一定灰阶值的灰度值作为阈值

gray_histo (Image, Image, AbsoluteHisto, RelativeHisto)

PeakGray := sort_index(AbsoluteHisto)[255]

threshold (Image, Region, 0, PeakGray-25)

分割: 动态阈值

动态阈值分割

• 很多情况下由于背景不均一，无 法确定全局阈值

• 目标体经常表现为比背景局部亮 一些或暗一些

• 需要通过其邻域找到一个合适的 阈值进行分割

• 如何确定其邻域？ 可以通过一些平滑滤波算子来确 定邻域，例如mean_image binomial_filter等

分割: 动态阈值

全局阈值与动态局部阈值的比较

滤波：接受（通过）或者拒绝一定频率的分量。

1. 通过低频的滤波器成为低通滤波器   。

作用：均值滤波器  高斯滤波器。平均化处理，达到一个平滑的作用。

2.通过高频的滤波器 成为高通滤波器  。

作用：图像增强 去噪声  ，边缘检测  特征提取。 边缘部分灰度值 突变比较大

{

工程上根据输出端口对信号频率范围的要求，设计专门的网络，置于输入—输出端口之间，使输出端口所需要的频率分量能够顺利通过，而抑制或削弱不需要的频率分量，这种具有选频功能的中间网络，工程上称为滤波器。

}

动态局部阈值 –通过均值滤波确定邻域 –滤波器mask尺寸大于字符笔画的宽度 –选择所有比其邻域暗的像素

mean_image (Image, ImageMean, 21, 21)

dyn_threshold (Image, ImageMean, Region, 15, 'dark')

Watershed 分割

进一步地 Watershed Segmentation

logoWatershed: 示例

形态学处理

•分割之后，往往需要对区域做进一步处理才能满足要求

•常用形态学相关算子 connection,    select_shape,   opening_circle,    closing_circle, opening_rectangle1,   closing_rectangle1,    difference, intersection,   union1,  shaps_trans, fill_up

•高级算子 boundary, skeleton等

连通区域 connetion

阈值分割后，需要提取目标物体，为了提取目标物体不得不先找到连通区域 n

提取连通域的关键是领域搜索的类型 n

在Halcon所有的案例中8领域法是默认的

HALCON的特点之一 n

任意的结构元素 n

任意尺寸的结构元素 n

非常有效的处理 n

巨大的算子集合: 44个算子 n

经典算子 n Erosion, dilation, opening, closing

高级算子 n top-hat, bottom-hat, hit-or-miss, boundary

特殊算子 n Fitting, pruning, thickening, thinning, skeleton

形态学示例：

Union

   --Intersection

Difference

Translation

Complement

Transposition

Dilation

Example: Dilation / Intersection

Erosion

、

Example:Erosion/Dilation

Closing

Example: Closing