BOLB分析

转：https://blog.csdn.net/tercel_zhang/article/details/51227431

Blob分析(Blob Analysis)是对图像中相同像素的连通域进行分析，该连通域称为Blob。Blob分析可为机器视觉应用提供图像中斑点的数量、位置、形状和方向，还可以提供相关斑点间的拓扑结构。

Blob翻译成中文，是“一滴”，“一抹”，“一团”，“弄脏”，“弄错”的意思。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。显然，Blob分析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。举例来说，假如现在有一块刚生产出来的玻璃，表面非常光滑，平整。如果这块玻璃上面没有瑕疵，那么，我们是检测不到“灰度突变”的；相反，如果在玻璃生产线上，由于种种原因，造成了玻璃上面有一个凸起的小泡、有一块黑斑、有一点裂缝。。。那么，我们就能在这块玻璃上面检测到纹理，颜色发生突变的部分，而这些部分，就是生产过程中造成的瑕疵，而这个过程，就是blob分析。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。

Blob分析主要适用于以下图像： 
二维目标图像；

高对比度图像；

存在／缺席检测；·

数量范围和旋转不变性需求。

 另一方面，Blob分析并不适用于以下图像：

低对比度图像； 

必要的图像特征不能用2个灰度级描述；

按照模版检测 

(1)图像分割(Image Segmentation) 因为 Blob分析是一种对闭合目标形状进行分析处理的基本方法。在进行Blob分析以前，必须把图像分割为构成斑点(Blob)和局部背景的像素集合。B l o b分析一般从场景的灰度图像着手进行分析。在Blob分析以前，图像中的每一像素必须被指定为目标像素或背景像素。典型的目标像素被赋值为1，背景像素被 赋值为0。有多种技术可将图像分割为目标像素和背景像素。这些技术包括：二元阈值(Binary Thresholding)、空间量化误差(Spatial~ mtization
Error)、软件二元阈值和像素加权(SoftBinary Thresholding and Pixel Weighting)、相关阈值(Relative Thresholds)、阈值图像(Threshold Image)。 
(2)连通性分析(Connectivity Analysis)当图像被分割为目标像素和背景像素后，必须进行连通性分析，以便将目标图像聚合为目标像素或斑点的连接体。 
 连通性分析的三种类型如下： 

全图像连通性分析(Whole Image ConnectivityAnalysis)在全图像连通性分析中，被分割图像的所有的目标像素均被视为构成单一斑点的像素。即使斑点像素彼此并不相连，为了进行Blob分析，它们仍被视为单一的斑点。所有的Blob统计和测量均通过图像中的目标像素进行计算；

连接Blob分析(Connected Blob analysis) 连接Blob分析通过连通性标准，将图像中目标像素聚合为离散的斑点连接体。一般情况下，连接性分析通过连接所有邻近的目标像素构成斑点。不邻近的目标像素则不被视为是斑点的一部分； 
·标注连通性分析(Labeled Connectivity Analysis) 在 机器视觉应用中， 由于所进行的图像处理过程不同，可能需对某些已被分割的图像进行Blob分析，而这些图像并未被分割为目标像素和背景像素。例如：图像可能被分为四个不同 像素集合，每一集合代表不同的像素值范围。这类分割称为标注连通性分析。当对标注分割的图像进行连通性分析时，将连接所有具有同一标注的图像。标注连通分 析不再有目标和背景的概念。 
（3）Blob工具Blob 工具是用来从背景中分离出目标，并测量任意形状目标物的形态参数。这个处理过程，Blob并不是分析单个的像素，而是对图形的行进行操作。图像的每一行都 用游程长度编码(RLE)来表示相邻的目标范围。这种方法与基于象素的算法相比，处理速度能够加快。为了适应各种不同的需求，Blob提供了很多过滤和分 类模式来定义测量参数，而且有较好的操作性能。