Halcon 缺陷检测：掩膜的妙用

目录

🚀🚀1.选择合适的掩膜

1.1 掩膜的作用

1.2 不同的掩膜，不同的作用

前言：各位朋友们好，我是大脸猫。在缺陷检测方面，要实现准确的缺陷检测并非易事，因为原始图像往往包含大量的噪声和干扰信息。因此，图像预处理成为了一个至关重要的步骤，它直接影响着缺陷是否能被成功定位，其中常用的一种就是使用掩膜去提取缺陷。

---

🚀🚀1.选择合适的掩膜

1.1 掩膜的作用

在复杂对比度急剧变化背景下，选择合适的掩膜尤其关键。例如，在下图所示的情况下，我们需要从图像中提取出黑色的斑点和线条，其中黑斑的像素值为13。

☘️☘️算法如下：

read_image (Image, '01.png')
*三通道转为单通道
rgb1_to_gray (Image, GrayImage)
*生成掩膜
gen_disc_se (SE, 'byte', 15, 15, 0)  
gray_dilation (GrayImage, SE, GrayImage_dil1)
gray_erosion (GrayImage_dil1, SE, GrayImage_ero1)
sub_image (GrayImage_ero1, GrayImage, GrayImage_sub1, 7, 0)  

⭐⭐分析：

① gray_dilation (GrayImage, SE, GrayImage_dil1)，对图像进行灰度值像素膨胀，即灰度值较大的区域膨胀，面积变大。（如下图GrayImage_dil1）

② gray_erosion (GrayImage_dil1, SE, GrayImage_ero1)，对图像进行灰度值像素收缩，即灰度值较大的区域收缩，面积变小。（如下图GrayImage_ero1）

③ 在灰度值像素膨胀的过程中，原图中的“黑斑”和“黑线”被它们周围的高亮灰度值像素膨胀覆盖掉了。

④ 在灰度值像素收缩的过程中，图中的白格子面积缩小，几乎恢复原状，不过在上一步中被膨胀覆盖掉的小黑点、细黑线不可能再复原了。

⑤ sub_image (GrayImage_ero1, GrayImage, GrayImage_sub1, 7, 0)，用无黑点、无黑线的图GrayImage_ero1减去原始图，就有效提取出了黑点和黑线。（如上图所示）

                

1.2 不同的掩膜，不同的作用

在了解到掩膜的作用之后，如何选择掩膜的尺寸尤其关键。合适的掩膜尺寸能够帮助我们有效地排除掉其他干扰因素。如果我们的目标是从复杂的背景中仅提取出黑色线条，那么该怎么选择掩膜呢？

☘️☘️算法如下：

*生成掩膜
gen_disc_se (SE, 'byte', 5, 5, 0)  
gray_dilation (GrayImage, SE, GrayImage_dil1)
gray_erosion (GrayImage_dil1, SE, GrayImage_ero1)
sub_image (GrayImage_ero1, GrayImage, GrayImage_sub1, 7, 0)  

⭐⭐分析： 

① 在灰度值像素膨胀的过程中，原图中只有满足尺寸的“黑线”被它周围的高亮灰度值像素膨胀覆盖掉了。（如下图GrayImage_dil1）

② 在灰度值像素收缩的过程中，图中的白格子面积缩小，几乎恢复原状，不过在上一步中被膨胀覆盖掉的黑线不可能再复原了，只留下“黑斑”。（如下图GrayImage_ero1）

③ sub_image (GrayImage_ero1, GrayImage, GrayImage_sub1, 7, 0)，用无黑点、无黑线的图GrayImage_ero1减去原始图，就有效提取出了黑点和黑线。（如上图所示）

               

🌟🌟举一反三：

如果把目标更改为提取其他复杂背景的轮廓呢？我们可以把上面的GrayImage_dil1和GrayImage_ero1相减：

sub_image (GrayImage_dil1, GrayImage_ero1, GrayImage_sub2, 7, 0)

从图上可以看出，这起到了提取边缘的效果。由此衍生出一个方法，三个概念：

形态学梯度（膨胀图减去腐蚀图 dilation - erosion，得到物体轮廓）

① 基本梯度：基本梯度是用膨胀后的图像减去腐蚀后的图像得到差值图像，成为梯度图像。

     也是 opencv 中支持的计算形态学梯度的方法，而此方法得到的梯度又被成为基本梯度。

② 内部梯度：用原图像减去腐蚀后的图像得到的差值图像，称为图像的内部梯度。

③ 外部梯度：原图像膨胀后减去原图像得到的差值图像，称为图像的外部梯度。

请注意，这些方法耗时较长，需在合适的场景下使用