Halcon实例 detect_mura_defects_blur

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

• 一、前言
• 二、核心处理流程
• 总结

---

一 、前言

本篇文章展示使用傅里叶变换检测模糊图像内的mura型缺陷

原图

---

二、具体步骤

1.图像预处理

读入图像，并做三通道图像分割处理：

dev_close_window ()
dev_update_off ()
Path := 'lcd/mura_defects_blur_'
read_image (Image, Path + '01')
get_image_size (Image, Width, Height)
dev_open_window_fit_size (0, 0, Width, Height, 640, 480, WindowHandle)
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_color ('red')
ScaleFactor := 0.4
calculate_lines_gauss_parameters (17, [25,3], Sigma, Low, High)
for f := 1 to 3 by 1
    read_image (Image, Path + f$'.2i')
    decompose3 (Image, R, G, B)

2.图像处理核心

本部分内容包含主要图像的方法：

1- 使用高斯滤波器进行图像rft变换，获取图像的背景亮度区域

使用sigma=100的高滤波核获取的背景亮度图像

2- 图像差分 原图与背景图像做差，进行缺陷特征增强

差分图像

3- 图像降采样 进一步凸显缺陷特征提高处理速度

Factor0.4的降采样图像

    rft_generic (B, ImageFFT, 'to_freq', 'none', 'complex', Width)
    gen_gauss_filter (ImageGauss, 100, 100, 0, 'n', 'rft', Width, Height)// 高斯滤波核
    convol_fft (ImageFFT, ImageGauss, ImageConvol)
    rft_generic (ImageConvol, ImageFFT1, 'from_freq', 'none', 'byte', Width)
    sub_image (B, ImageFFT1, ImageSub, 2, 100)//去除背景增强缺陷
    * perform the actual inspection
    zoom_image_factor (ImageSub, ImageZoomed, ScaleFactor, ScaleFactor, 'constant')

4-为了避免图像边缘区域的影响 代码做了区域内缩，然后使用Line_gauss查找 区域图像内的黑色区域

    get_domain (ImageZoomed, Domain)
    erosion_rectangle1 (Domain, RegionErosion, 7, 7) // 区域缩减
    reduce_domain (ImageZoomed, RegionErosion, ImageReduced)
    lines_gauss (ImageReduced, Lines, Sigma, Low, High, 'dark', 'true', 'gaussian', 'true') 

处理结果

觉得代码的流程应该是没用完成，没有最后的缺陷筛选部分，一些较小的黑点也被当成了缺陷。

---

总结

       这个例子基本上和之前的一个Mura检测采用了相同的图像缺陷增强的流程，只是在最后分割缺陷的方式上采用了不同的方式，Line_gauss的方式适合处理线型的mura缺陷，而块团状的mura缺陷还是用原始的分割筛选方式更佳。