[Halcon&图像] 图像阈值分割算法汇总

       图像二值化的目的概括来说就是将感兴趣区域与背景分离出来，从而便于图像的进一步处理。除了常规阈值分割算子threshold，下面介绍一些halcon中另一些常用的图像阈值分割算子：

1. dyn_threshold— 使用动态阈值分割（一般在缺陷检测的时候使用）

     描述 ：当前背景之间差异明显时，可以设定全局阈值进行threshold，但很多情况下由于背景不均一，目标体经常表现为比背景局部亮一些或暗一些，无法通过标准阈值进行分割操作，这时需要通过其邻域找到一个合适的阈值进行分割，

     如图：由于图像的灰度值变化不均一，没法通过固定阈值（蓝色线）提取到我们想要的山顶部分（感兴趣区域），因为阈值设的高会遗漏我们想要的阈值低的区域；阈值设的低又得到太多的干扰区域。这时候可以考虑使用动态阈值分割对其进行提取。

     函数：dyn_threshold(OrigImage, ThresholdImage : RegionDynThresh : Offset, LightDark : )

     参数：
     OrigImage（in）：需要进行阈值分割的原始图像
     ThresholdImage （in）：在实际使用过程中通常都是对原图像OrigImage进行一次平滑处理(mean_image/gauss_image/binomial_filter等)，然后用平滑处理之后得到的图像作为参考图像
     RegionDynThresh（out）：对原图进行阈值分割后输出图像
     Offset（in）：是一个阈值调节值，设定邻域比较的区间范围，灰度值变化在offset范围内均是可以接受的。
     LightDark（in） ：dark’, ‘light’, ‘equal’, ‘not_equal’一共有4种选择，这是原图相对于ThresholdImage 而言的，如果‘light’，则提取原图相对于参考图中亮一些的部分，提取的范围由Offset参数确定。

     处理步骤一般使用动态阈值分割时，先将图像做一下均值滤波，然后将原图（灰度值黑色线）与均值滤波后的图像（灰度值绿色线）作差，最后在对面积进行一下筛选，这样就可以得到我们想要的红色区域部分了。

但是，均值滤波图像时，选择的参数也需要根据图像的灰度值变化程度来看，就上面图像来看，如果均值滤波图像时参数过小，可能滤波之后的图像灰度值变化会变成下面的情况（黄色），导致提取山顶部分的效果也不会太好。

代码：一般动态阈值分割的一个思路

read_image (Image1, 'C:/Users/Administrator/Desktop/半导体硬件测试/图像/AOI工位/划痕 单同轴 增益5 曝光2300.png')
*******提取感兴趣区域部分图像*******
gauss_filter (Image1, ImageGauss, 5)
threshold (ImageGauss, Regions, 92, 255)
fill_up (Regions, RegionFillUp)
opening_circle (RegionFillUp, RegionOpening, 3.5)
connection (RegionFillUp, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 1.60866e+006, 5e+006)
reduce_domain (Image1, SelectedRegions, ImageReduced)
*******对图像进行动态阈值分割*******
mean_image (ImageReduced, ImageMean, 200, 200)
dyn_threshold (Image1, ImageMean, RegionDynThresh, 60, 'light')

注：dyn_threshold 可以看成sub_image (均值滤波图像与增强图像进行作差)+threshold (*固定阈值分割，得到缺陷区域)

2. var_threshold— 均值和标准偏差局部阈值分割

     例：var threshold (Image, Region, 4, 4, 0.2, 12, ‘dark’ )

     描述 ：在该程序中,先用4x4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（本程序中StdDevScale = 0.2, AbsThreshold = 12）,该区域被分割出来。

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

     参数：
     Image （in）：原始图像
     Region （out）：被分割的区域
     MaskWidth（in）：计算平均值的偏差的淹膜高度
     MaskHeight（in）：计算平均值的偏差的淹膜宽度
     StdDevScale（in） ：标准差因子，一般推荐使用该算子时,StdDevScale取正值，可以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）
     AbsThreshold（in） ：绝对阈值，
     LightDark （in） ：阈值类型，一般又’light’、’dark’、’equal’、’not_equal’

     注： 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,以上两种算法的效果,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。可以有效地减少噪声对分割的影响

3. binary_threshold— 自动全局阈值分割

     描述 ：主要对灰度直方图存在两个波峰图像的自动阈值分割。例如，在同质照明的背景下对字符的分割很有用。binary_threshold还会返回UsedThreshold中使用的阈值

     函数：binary_threshold(Image : Region : Method, LightDark : UsedThreshold)
     参数：
     Image （in）：需要进行阈值分割的原始图像
     Region （out）：被分割的区域
     Method（in）：分割方法，“max_separability”和“smooth_histo”

     最大限度的可分性(max_separability)：
     根据“灰度直方图的阈值选择方法”的灰度直方图自动阈值调用。该算法首先计算图像的直方图，然后利用统计矩找到将像素分割为前景和背景的最优阈值，并最大化这两个类之间的可分性。此方法仅适用于byte和uint2图像。
     直方图平滑(smooth_histo)：
     binary_threshold可以通过以下方式确定阈值：首先确定灰度值的相对直方图。然后，从直方图提取相关的最小值，作为阈值操作的参数。为了减少最小值，直方图被平滑处理为一个高斯函数，就像在auto_threshold中一样。在平滑直方图中，掩模尺寸增大，直到最小值。然后，阈值设置为这个最小值的位置。

     LightDark（in） ：选取暗边界还是亮边界及相似边界，dark’, ‘light’, ‘equal’, ‘not_equal’一共有4种选择
     UsedThreshold（in）：使用的阈值大小

注：
     当LightDark=light，max_separability选的区域比smooth_histo少一点
     当LightDark=dark，max_separability选的区域比smooth_histo多一点

4. fast_threshold — 快速全局阈值分割

     描述 ：选择灰度值满足MinGray<=g<=MaxGra条件的像素，为了节省时间按两步执行。第一，先处理行列间隔Minsize的所有像素点。第二，处理上一步选择点的领域。和threshold相比分割速度快。

     函数：fast_threshold(Image : Region : MinGray, MaxGray, MinSize : )

     参数：
     Image （in）：原始图像
     Region （out）：被分割的区域
     MinGray（in）：最小灰度值
     MaxGray（in）：最大灰度值
     MinSize （in） ：要提取对象的最小尺寸

5. auto_threshold — 自动全局阈值分割

     描述 ：根据直方图确定阈值自动全局阈值分割，运行原理，第一，计算灰度直方图。第二，高斯平滑后从直方图提取最小值。第三，根据提取的最小值进行阈值分割。

     函数：auto_threshold(Image : Regions : Sigma : )

     参数：
     Image （in）：原始图像
     Region （out）：被分割的区域
     Sigma （in）：平滑系数，sigma越大提取区域越少。

6. watersheds — 分水岭算法分割
   watersheds(Image : Basins, Watersheds : : )
   ——从一幅图像中提取分界线和盆地（Basins：盆地，Watersheds：分界线）
   watersheds_threshold(Image : Basins : Threshold : )
   ——利用阈值从图像中提取盆地Basins（比阈值小的分水岭隔开的盆地被融合在一起），通常对其中的一块区域进行处理。

     描述 ：
     1）通过分水岭算法watersheds（）获取图像的盆地。
     2）根据第一步分水岭算法分离结果，若盆地部分的灰度< Threshold ，则被合并到一起。设B1和B2分别为相邻盆地的最小灰度值，W为将盆地分割为两个盆地的最小灰度值。则分割结果为：
                                                                            max{W-B1,W-B2}<Threshold
     函数：watersheds(Image : Basins, Watersheds : : )
                watersheds_threshold(Image : Basins : Threshold : )

     参数：
     Image （in）：原始图像
     Basins （out）：被分割的盆地
     Watersheds（out）：盆地之间的分水岭
     Threshold （out）：分水岭的门槛

     两种算法的分割效果：

     原图：
     
     watersheds算法：
     
     watersheds_threshold算法：
     

7. char_threshold — 阈值分割提取字符

     描述 ：char_threshold的主要应用是在明亮的纸张上分割含有暗色字符的单通道图像。首先对HistoRegion区域内的点进行灰度直方图计算。为了消除噪声，直方图是平滑与给定的Sigma(高斯平滑)。在直方图中，背景(白纸)在高灰度值处对应一个大的峰，而字符在低灰度值处形成一个小的峰。相比之下，运算符binary_threshold(带有’Method’=‘smooth_histo’)定位最小值

     函数：char_threshold(Image,HistoRegion:Characters:Sigma,Percent:Threshold)

     参数：
     Image （in）：原图像，要做字符提取的图像
     HistoRegion（out）：要提取字符所在的region
     Characters（in）：提取到的region
     Sigma（in）：高斯光滑因子
     Percent（out）：灰度直方图中的灰度值差的百分比
     Threshold（in）：输出用于阈值处理的阈值

     注： 此方法关键在于找到直方图中的最大值，在最大值的左侧找到读取阈值。可参考char_threshold.hdev例程

8. dual_threshold — 双重阈值分割

     描述 ：分割符号图像的阈值处理，通常和算子：diff_of_gauss sum_image等算子一起使用，就像前后两帧做差得到的图像(差帧法），像素值有正值有负值（灰度值有正负之分）

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

     参数：
     Image （in）：输入的符号图像
     RegionCrossings（out）：输出的区域
     MinSize（in）：表示分割出来的区域的最小面积（即分割出来的面积要大于MinSize）
     MinGray（in）：表示分割出来的区域对应的原图中图像像素的最高灰度大于MinGray设定值。
     Threshold（in）：输出的区域灰度值的绝对值必须大于Threshold，注意这里是绝对值

     注： 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

 

---

有用的话戳戳小手帮忙点个免费的赞和关注吧，嘿嘿。