斑點分析的演算法非常簡單：在影像中，相關物件的畫素（也稱為前景）通過其灰度值來識別。例如，圖中示例顯示了液體中的組織顆粒。這些粒子是明亮的，液體（背景）是暗的。通過選擇明亮的畫素（閾值），可以很容易檢測到顆粒。在許多應用中，暗畫素和亮畫素的簡單條件不再成立，但結果相同可以通過額外的預處理或畫素選擇/分組的替代方法來實現。
在這種情況下，斑點分析的優點是HALCON提供了大量運算元使其具有極大的靈活性。此外，這些方法通常具有很高的效能。斑點分析也可以與許多其他視覺任務相結合，例如作為預處理步驟，靈活地生成互動區域。
基本概念
斑點分析主要包括三個部分：
-
獲取影像
-
分割影像
採集影像後，接下來的任務是選擇前景畫素。這也稱為分割。結果
在HALCON中通常將此過程為Blob（二進位制大物件），資料型別為區域(a region)。 -
提取目標特徵
在最後一步中，將計算出諸如面積（畫素數），重心或方向之類的特徵
該基本概念的一個示例是以下程式，該程式屬於上述示例。在此，從檔案中獲取影像。使用閾值(threshold)選擇大於120的所有畫素。然後，引入了一個不太明顯的步驟：運算元連線(connection)將所有亮畫素的集合分離為所謂的連線元件。此步驟的效果是我們將劃分出多個區域，而不是閾值(threshold)返回的單個區域。該程式的最後一步是一些功能的計算。在此，運算元area_center確定了大小（畫素數）和重心。請注意area_center返回了三個值（每個引數有一個值）。
read_image (Image, 'particle')
threshold (Image, BrightPixels, 120, 255)
connection (BrightPixels, Particles)
area_center (Particles, Area, Row, Column)
擴充套件概念
在許多情況下，斑點分析將比上述示例更高階。原因是混亂或不均勻的照明。此外，經常需要進行後處理，例如將元素特徵轉換為真實世界單位或結果視覺化。
使用RIO(Region Of Interest)
可以通過使用感興趣區域來加快斑點分析。搜尋的斑點區域被限制越多。搜尋將更快更強大。
對齊RIO或影像
在某些應用中，關注區域必須相對於另一個物件對齊。或者影像本身可以對齊，例如通過旋轉或裁剪。
校正影像
與對齊類似，可能需要校正影像，例如消除鏡頭畸變或轉換影像的參考點。
預處理影像（過濾）
下一個重要部分是影像的預處理。在這裡，像mean_image或gauss_filter這樣的運算子可用於消除噪音。一個快速但不太完美的替代方案是binomial_filter。運算子middle_image對於抑制小斑點或細線很有用。運算元anisotropic_diffusion(各向異性擴散)對保留邊緣的平滑很有用，最後使用fill_interlace消除由隔行交錯相機(攝像機視訊流影像)引起的缺陷
提取分割引數
代替使用固定的閾值，可以為每個影像動態提取它們。例如具有多個峰值的灰度值直方圖，每個物件類別一個。在這裡，您可以使用運算元gray_histo_abs和histo_to_thresh。作為高階替代方案，可以將運算元intensity與參考影像結合使用,僅適用於背景：在設定過程中，將確定背景區域的平均灰度值。如果平均灰度值已更改，則可以相應調整閾值。
分割影像
對於分割，可以使用各種方法。最簡單的方法是threshold(閾值)，指定一個屬於前景物件的值範圍。另一個非常常見的方法是dyn_threshold。在此，第二張影像將作為參考影像。通過這種方法，使用區域性閾值而不是全域性閾值。這些區域性閾值儲存在參考影像中。可以通過拍攝空背景圖片將其設為靜態作為參考影像，也可以使用平滑濾鏡(例如mean_image)
處理區域
一旦斑點區域被分割。通常需要對其進行修改，例如，通過抑制小區域，給定方向或接近其他區域的區域。在這種情況下，形態運算元open_circle和opening_rectangle通常可用於抑制噪聲，closeing_circle和closing-rectanglel填補空白。可以使用select_shape，select_shape_std和select-proto-proto選擇具有特定功能的斑點。
特徵提取
最終處理時，將提取斑點的特徵，所需功能的型別取決於應用程式。型別列表可以在參考手冊的“Regions/Features"和"Image/Features"中找到。
將結果轉換為世界座標
諸如面積或重心之類的要素通常必須轉換為世界座標。這可以通過HALCON相機
校準實現。
視覺化結果
最後，你可能要顯示影像的斑點（區域）和特徵。
靈感來源於Halcon官方文件