斑点分析的算法非常简单：在图像中，相关对象的像素（也称为前景）通过其灰度值来识别。例如，图中示例显示了液体中的组织颗粒。这些粒子是明亮的，液体（背景）是暗的。通过选择明亮的像素（阈值），可以很容易检测到颗粒。在许多应用中，暗像素和亮像素的简单条件不再成立，但结果相同可以通过额外的预处理或像素选择/分组的替代方法来实现。
在这种情况下，斑点分析的优点是HALCON提供了大量算子使其具有极大的灵活性。此外，这些方法通常具有很高的性能。斑点分析也可以与许多其他视觉任务相结合，例如作为预处理步骤，灵活地生成交互区域。
基本概念
斑点分析主要包括三个部分：
-
获取图像
-
分割图像
采集图像后，接下来的任务是选择前景像素。这也称为分割。结果
在HALCON中通常将此过程为Blob（二进制大对象），数据类型为区域(a region)。 -
提取目标特征
在最后一步中，将计算出诸如面积（像素数），重心或方向之类的特征
该基本概念的一个示例是以下程序，该程序属于上述示例。在此，从文件中获取图像。使用阈值(threshold)选择大于120的所有像素。然后，引入了一个不太明显的步骤：算子连接(connection)将所有亮像素的集合分离为所谓的连接组件。此步骤的效果是我们将划分出多个区域，而不是阈值(threshold)返回的单个区域。该程序的最后一步是一些功能的计算。在此，算子area_center确定了大小（像素数）和重心。请注意area_center返回了三个值（每个参数有一个值）。
read_image (Image, 'particle')
threshold (Image, BrightPixels, 120, 255)
connection (BrightPixels, Particles)
area_center (Particles, Area, Row, Column)
扩展概念
在许多情况下，斑点分析将比上述示例更高级。原因是混乱或不均匀的照明。此外，经常需要进行后处理，例如将元素特征转换为真实世界单位或结果可视化。
使用RIO(Region Of Interest)
可以通过使用感兴趣区域来加快斑点分析。搜索的斑点区域被限制越多。搜索将更快更强大。
对齐RIO或图像
在某些应用中，关注区域必须相对于另一个对象对齐。或者图像本身可以对齐，例如通过旋转或裁剪。
校正图像
与对齐类似，可能需要校正图像，例如消除镜头畸变或转换图像的参考点。
预处理图像（过滤）
下一个重要部分是图像的预处理。在这里，像mean_image或gauss_filter这样的运算符可用于消除噪音。一个快速但不太完美的替代方案是binomial_filter。运算符middle_image对于抑制小斑点或细线很有用。算子anisotropic_diffusion(各向异性扩散)对保留边缘的平滑很有用，最后使用fill_interlace消除由隔行交错相机(摄像机视频流图像)引起的缺陷
提取分割参数
代替使用固定的阈值，可以为每个图像动态提取它们。例如具有多个峰值的灰度值直方图，每个对象类别一个。在这里，您可以使用算子gray_histo_abs和histo_to_thresh。作为高级替代方案，可以将算子intensity与参考图像结合使用,仅适用于背景：在设置过程中，将确定背景区域的平均灰度值。如果平均灰度值已更改，则可以相应调整阈值。
分割图像
对于分割，可以使用各种方法。最简单的方法是threshold(阈值)，指定一个属于前景对象的值范围。另一个非常常见的方法是dyn_threshold。在此，第二张图像将作为参考图像。通过这种方法，使用局部阈值而不是全局阈值。这些局部阈值存储在参考图像中。可以通过拍摄空背景图片将其设为静态作为参考图像，也可以使用平滑滤镜(例如mean_image)
处理区域
一旦斑点区域被分割。通常需要对其进行修改，例如，通过抑制小区域，给定方向或接近其他区域的区域。在这种情况下，形态算子open_circle和opening_rectangle通常可用于抑制噪声，closeing_circle和closing-rectanglel填补空白。可以使用select_shape，select_shape_std和select-proto-proto选择具有特定功能的斑点。
特征提取
最终处理时，将提取斑点的特征，所需功能的类型取决于应用程序。类型列表可以在参考手册的“Regions/Features"和"Image/Features"中找到。
将结果转换为世界坐标
诸如面积或重心之类的要素通常必须转换为世界坐标。这可以通过HALCON相机
校准实现。
可视化结果
最后，你可能要显示图像的斑点（区域）和特征。
灵感来源于Halcon官方文档