Halcon阈值处理的几种分割方法threshold/auto_threshold/binary_threshold/dyn_threshold

Halcon阈值处理的几种分割方法

在场景中选择物体或特征是图像测量或识别的重要基础，而阈值处理是最简单也最常用的区域
选择方法，特别适用于目标和背景的灰度有明显区别的情况。下面就介绍几种常用的阈值处理方法。

1. 全局阈值

首先来看什么是阈值。简单来说，闽值就是一个指定的像素灰度值的范围。假设阈值为0~255灰度值，阈值处理就是将图像中的像素灰度值与该阈值进行比较，落在该范围内的像素称为前景，其余的像素称为背景。一般会用黑白两色来表示前景与背景。这样图像就变成了只有黑与白两种颜色的二值图像。
当检测对象的图像灰度与背景差异比较大时，用阈值处理可以很方便地将其与背景分离开来。根据像素与相邻像素之间的灰度值差异设置一个阈值，可以将像素与其相邻像素分隔开来。如果是在图像边缘，可以利用边缘的灰度差值进行简单的阈值处理，有助于沿边界分割图像。在Halcon中,可使用threshold算子进行全局阈值处理。举例如下：

read_image (Image,'data/codes')
rgbl_to_gray (Image, GrayImage)
threshold (GrayImage, DarkArea, 0,128)

该程序的阈值处理结果如图所示，其中图(a）为输入图像，图（b）中的红色区域为阅值处理后提取出的较暗区域。

在上面的例子中，threshold 算子的第1个参数Graylmage 为输入图像，这里用的是灰度图；第2个参数DarkArea 为输出的区域，类型为Region；第3个和第4个参数为阀值的区间值，表示0～128 灰度范围内的像素区域。

2. 基于直方图的自动阈值分割方法

有时手动设定阈值并不是一个严谨的方法，因为人对图像灰度的感受并不精准，即使对同一场景，当光线有微妙变化时，灰度也会有差异。手动设定阈值在粗估计时可能是一个便捷的方法，但是随着后续计算步骤的叠加，将带来不可估量的误差。在连续采集的图像中，图像的灰度也是动态变化的，环境光照、拍摄角度等因素都会影响图像的灰度。如果阈值是一个固定的值，那么在处理连续图像时结果会不够准确。因此，可以使用自适应阙值进行调节。
自适应阈值是一种基于直方图的阈值。直方图是图像像素落在0~253这个区间内的数量统计图。通过直方图可以看出图像灰度的大致分布，在有些情况下甚至可以估+检测对象的面积与结构。
在Halcon 中使用auto_threshold算子进行自适应阈值处理。该算子可以对单通道图像进行多重闽值处理，其原理是，以灰度直方图中出现的谷底为分割点，对灰度直方图的波峰进行分割。因此，有多少个波峰，就会分割出多少个区域。auto_threshold 算子的第3个参数Sigma(此例中为8.0)是一个平滑算子，可以对直方图进行平滑处理。举例如下：

read_image (Image,'data/shapes')
rgbl_to_gray (Image, GrayImage)
auto_threshold(GrayImage,Regions,8.0)

该程序的阈值处理结果如图所示，其中图(a）为灰度图像，包括几种不同灰度的对象.图（b）用3种不同的颜色区分了自动阈值分割出的3个区域。其中圆形与矩形物体因为灰度值相近被分割为同一区域；三角形的灰度值与另外两种有差异，被分割为单独的区域；背景灰度值最大，也被分割为一个单独的区域。

auto_threshold算子的前两个参数分别为输入的Image图像和输出的Region类型的区域。第3个参数 Sigma 为对灰度直方图进行高斯平滑的核的大小。高斯卷积运算，其计算原理是，先确定图像的绝对灰度直方图，然后使用高斯滤波器对该直方图进行平滑处理。在本例中，设Sigma 值为8.0，对灰度直方图的平滑效果如图所示。

图 (a）为原始灰度直方图，可以看出波峰比较多，如不处理将产生大量的分割区域，不利于提取出有意义的部分，因此这里将Sigma 值设得大一些，使波峰变得平滑。图（b）为Sigma为8.0时对灰度直方图进行高斯平滑后的效果，可见波峰明显减少到了3个，因此图像中自动分割的区域也减少到了3部分。
因此，Sigma的值越大，平滑效果越显著，直方图波峰越少，分割出的区域也越少；反之,Sigma的值越小，直方图平滑的效果越不明显，分割的次数也越多。同时可以使用gray_histo 算子和gen_region_histo 算子查看Sigma参数对灰度直方图的影响。

3. 自动全局阈值分割方法

除了auto_threshold算子外，还常用binary_threshold算子对直方图波峰图像进行自动阈值分割。binary_threshold 算子同样利用了直方图，但不同的是，该算子是根据直方图中的像素分布提供可选的分割方法，如使用最大类间方差法或平滑直方图法，都可以自动计算出一个灰度级别用于分割区域。
同时，该算子也可以选择提取较亮还是较暗的范围，尤其适用于在比较亮的背景图像上提取比较暗的字符。举例如下：

read_image (Image, 'data/codes')
rgbl_to_gray (Image, GrayImage)
binary threshold (GrayImage, RegionMaxSeparabilityLight, 'max _separability', 'dark', UsedThreshold)

该程序运行效果如图所示，其中图(a)为灰度图像，图(b)为使用binary _threshold算子进行阈值分割后的图像。

binary_threshold算子的前两个参数分别为输入和输出的对象。第3个参数为分割的方法，这个例子中选择max_separability，表示在直方图中对最大的可分性进行分割；也可以选择smooth histo，表示平滑直方图，平滑的原理与auto_threshold算子类似。第4个参数表示提取前景还是背景，这里选择dark，表示提取较暗的部分；也可以选择light，表示提取较亮的部分。最后一个参数UsedThreshold 为返回结果，将返回所用的阈值。

4. 局部阈值分割方法

上文介绍了几种全局阈值分割方法，本小节介绍一个基于局部阈值分割的dyn_threshold算子。它适用于一些无法用单一灰度进行分割的情况，如背景灰度比较复杂，有的部分比前景目标亮，有的部分比前景目标暗；又如前景目标包含多种灰度，因而无法用全局阈值完成分割。该算子利用邻域，通过局部灰度对比，找到一个合适的阈值进行分割。
dyn_threshold 算子的应用步骤一般分三步：首先，读取原始图像；然后，使用平滑滤波器对原始图像进行适当平滑；最后，使用dyn threshold算子比较原始图像与均值处理后的图像局部像素差异，将差异大于设定值的点提取出来。
举一个例子，如图（a）所示，该图中前景部分的字符颜色不均匀，无法用单一的灰度阈值进行提取，因此可以使用局部阈值分割方法进行提取。代码举例如下：

read_image (Image, Idata/text')
*将图像转换为灰度图
rgb1_to_gray (Image, GrayImage)
*由于图像对比度比较低，因此对图像进行相乘，增强对比度
mult_image (GrayImage, GrayImage, ImageResult, 0.005, 0)
*使用平滑滤波器对原始图像进行适当平滑
mean _image (ImageResult, ImageMean, 50,50)
*动态阈值分割，提取字符区域
dyn_threshold (ImageResult, ImageMean, RegionDynThresh, 4, 'not_equal')
*开运算，去除无意义的小的杂点
opening_circle (RegionDynThresh, Region0pening, 1.5)
*显示结果
dev_clear_window()
dev_display (RegionOpening)

该段代码运行效果如图所示，其中图(a）为灰度图像，图像中的字符部分颜色不均；图（b）为用dyn_threshold算子进行阈值分割后的图像。

再举一个使用动态阈值进行轮廓提取的例子。如图(a）所示，该图的前景与背景部分灰度都不均匀，因而无法用全局阈值进行提取，这时可以用dyn_threshold算子提取前景的轮廓。代码如下:

read_image (Image, 'data/garlic')
*将图像转换为灰度图
rgbl_to_gray (Image, GrayImage)
*使用平滑滤波器对原始图像进行适当平滑
mean_image (GrayImage, ImageMean, 30,30)
*动态阈值分割，提取字符区域
dyn_threshold (GrayImage, ImageMean, RegionDynThresh, 30, 'not_equal')
*腐蚀操作，去除杂点
erosion_circle (RegionDynThresh, RegionClosing, 1.5)

该段代码运行效果如图所示，其中图(a）为灰度图像，前景目标灰度复杂，背景因为光
照不均匀，局部甚至比前景目标更亮；图(b）为使用dyn_threshold算子进行阈值分割后的图像。

dyn_threshold算子的第1个参数为输入的灰度图像。第2个参数为输入的预处理图像，这里食用Mean_Image得到了一张均值图像，用于做局部灰度对比。第3个参数为输出的阈值区域。第。个参数是offset值，是将原图与均值图像作对比后设定的值，灰度差异大于该值的将被提取出来第5个参数决定了提取的是哪部分区域，一般有如下4个选择。
（1)light：表示原图中大于等于预处理图像像素点值加上offset值的像素被选中。
（2)dark：表示原图中小于等于预处理图像像素点值减去offset 值的像素被选中。
（3)equal：表示原图中像素点大于预处理图像像素点值减去offset值，小于预处理图像像素点值加上offset 值的点被选中。
（4)not_equal：表示与equal相反，它的提取范围在equal范围以外。
该算子适用于在复杂背景下提取前景目标的轮廓，或无法用单一灰度阈值提取边缘等情况。注意
实际应用中可以根据图像的灰度值，设置均值滤波器的系数和动态阙值的参数。

5. var_threshold算子

除了dyn threshold算子可以利用局部像素灰度差进行分割外，var_threshold算子也是一种基于局部动态阈值的分割方法。该方法分割的依据是局部的均值和标准差，选择图像中邻域像素满足阈值条件的区域进行分割。该阈值不是一个固定的值，而是在点(x，)）的邻域中使用矩形mask进行扫描，分别用点(x，y）的灰度与均值图像中的点(x，y）的灰度，和矩形的中心点的标准差灰度进行比较。该矩形 mask的长宽需要是奇数，这样便于找到矩形的中心点，其具体的宽和高应该略大于待分割的图像区域。举例如下：

read _image (Image,'data/holes')rgbl _to_gray (Image, GrayImage)*设置矩形，选择感兴趣区域
gen_rectanglel (Rectangle, 170, 80, 370, 510)
reduce_domain (GrayImage, Rectangle, ImageReduced)
var _threshold (ImageReduced, Region, 15, 15, 0.2, 35, 'dark')

该程序的运行效果如图所示，其中图(a)为输入图像，图(b)为使用 var_threshold算子进行阈值分割后的图像，灰度变化符合阈值的区域被提取了出来。

该算子的第1个参数为输入的灰度图像；第2个参数为输出的阈值区域；第3个和第4个参数为用于扫描邻域的矩形 mask的宽和高；第5个参数为标准差因子，用于计算灰度标准差，默认为0.2；第6个参数为设定的绝对阈值，该值用于比较矩形区域内的灰度标准差与均值图像的最小灰度值；第7个参数决定了提取的是哪部分区域，一般有4个选择，即dark、light、equal、not_equal，具体解释与dyn_threshold算子相同。

6 . char_threshold 算子

核算子一般用来提取字符，适用于在明亮的背景上提取黑暗的字符。该算子的运算过程如下：首先计算一个灰度曲线；然后给定一个Sigma值，用于平滑这个曲线；最后将前景与背景区分开来。分割的阈值取决于直方图中的最大值。例如，如果选择百分比为95%，灰度阈值将锁定在距离直方图峰值的5%左右的区域，因为这个算子假定的是字符的灰度都暗于背景。举例如下：

read_ image (Char, 'data/char')
rgbl_to_gray (Char, GrayImage)
char_threshold (GrayImage, GrayImage, Characters, 6, 95, Threshold)

该程序的运行效果如图所示，其中图(a)为灰度图像，图（b)为使用char_threshold算子进行阈值分割后的图。

与binary_threshold 算子相比，char_threshold算子适用于直方图的波峰之间没有明确的谷底的情况，或者是直方图没有明确的峰值的情况。这种情况是可能出现的，如图像中只包含几个字符，或者是存在不规则光照。

7. dual_threshold算子

该算子表示双阈值处理，其原型如下：
dual threshold(Image : RegionCrossings : MinSize, MinGray, Threshold 😃
该定义来自Halcon官方文档。其第1个参数为输入图像，第2个参数为阈值处理的输出区域，第3个参数为分割出的区域的最小面积，第4个参数为区域的灰度下限，第5个参数为灰度阈值Threshold。该阈值处理可以看作是对两个方向进行了阈值分割，不但提取出了灰度大于等于Threshold 值的范围，也提取出了小于等于-Threshold值的范围。
之所以会有负的灰度值，是因为dual threshold算子在处理之前一般会先对原始图像进行拉普拉斯操作，输入的图像一般是拉普拉斯图像，这类图像包含正的和负的灰度值的区域。
满足灰度阈值并符合面积条件，同时还满足最小灰度条件的区域将最终被分割出来。