halcon机器视觉软件的blob分析

一.概念
在计算机视觉中的Blob(Binary large object)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，一般来说，该区域就是图像中的前景。

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。
blob分析应用案例：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场合。

因此，Blob分析其实就是将图像二值化，分割得到前景和背景，然后进行连通区域检测以及面积、周长重心等特征的分析，从而得到Blob的过程。
Blob分析就是对这一块连通区域进行几何分析得到一些重要的几何特征，例如：区域的面积、中心点坐标、质心坐标、最小外接矩形、主轴等。
可以从背景中分离出目标，并可以计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。

二.步骤

1.图像分割

将图像分离为目标像素和背景像素，初始分割之后一般需要进行形态学处理才能满足使用要求。
常用分割方法：直接输入；硬阈值分割；软阈值分割。
常用形态学处理：连通、膨胀、腐蚀、开操作、闭操作、顶帽变换、击中与不击中变换、交集、差异、骨架、边界等。

阈值分割又包括：

1）简单阈值分割threshold

适用范围：目标与背景之间存在灰度差（如果环境稳定，阈值可以在离线状态下一次确定）

2）动态阈值分割dyn_threshold

适用范围：背景不均一无法确定全局阈值、目标经常表现为比背景局部亮一些或者暗一些。这时候需要通过其领域来找到一个合适的阈值进行分割。
确定其领域的方法是：通过一些平滑滤波算子来确定领域，例如mean_image或者binomial_filter

3）自动全局阈值方法bin_threshold

4）watersheds_threshold

2.Blob分析技术

去噪：图像的形态学处理，常见有：膨胀（dilate），腐蚀(erose)，开操作(open)，闭操作(close)。
通性分析：将目标从像素级转换到连通分量级。
特征值计算：对每个目标进行特征量计算，包括面积、周长、质心坐标等特征。
场景描述：对场景中目标之间的拓扑关系进行描述。

如下图所示：左边是一副原始图片，右边彩线包围区域是是获取的Blob区域，每个区域中十字的位置是Blob分析所得的重心位置。

Blob分析：Blob分析目的在于对图像中的2-D形状进行检测和分析，得到诸如目标位置、形状、方向和目标间的拓扑关系（即包含关系）等信息。根据这些信息可对目标进行识别。在某些应用中我们不仅需要利用2D的形状特征，还要利用Blob分析之间的特征关系。

Blob分析的主要内容包括：（1）图像分割：将图像中的目标和背景分离。（2）去噪：消除或减弱噪声对目标的干扰：（3）场景描述：对目标之间的拓扑关系进行描述。（4）特征量计算：计算目标的2-D形状特征。

Blob分析中主要包含以下图像处理技术：

1、图像分割：Blob分析实际上是对闭合形状进行特征分析。在Blob分析之前，必须将图像分割为目标和背景。图像分割是图像处理的一大类技术，在Blob分析中拟提供分割技术包括：直接输入、固定硬阈值、相对硬阈值、动态硬阈值、固定软阈值、相对软阈值、像素映射、阈值图像。其中固定软阈值和相对软阈值方法可在一定程度上消除空间量化误差，从而提高目标特征量的计算精度。

2、形态学操作：形态学操作的目的是去除噪声点的影响。

3、连通性分析：将目标从像素级转换到连通分量级。

4、特征值计算：对每个目标进行特征量计算，包括面积、周长、质心坐标等特征。

5、场景描述：对场景中目标之间的拓扑关系进行描述。

Blob分析主要适用于一下机器视觉应用：二维目标图像、高对比度图像、存在/缺席检测、数值范围和旋转不变性需求。

Blob分析不适用于一下机器视觉应用：低对比度图像、不能够用两个灰度表示的特征、图形检测需求。