Blob 分析

Blob分析(Blob Analysis)是对图像中相同像素的连通域进行分析,该连通域称为Blob。Blob分析可为机器视觉应用提供图像中的斑点的数量、位置、形状和方向,还可以提供相关斑点间的拓扑结构。

Blob翻译成中文,是“一滴”,“一抹”,“一团”,“弄脏”,“弄错”的意思。在计算机视觉中的Blob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。显然,Blob分析其实就是将图像进行二值化,分割得到前景和背景,然后进行连通区域检测,从而得到Blob快的过程。简单来说,blob分析就是在一块“光滑”区域内,将出现“灰度突变”的小区域寻找出来。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。。。那么,我们就能在这块玻璃上面检测到纹理,颜色发生突变的部分,而这些部分,就是生产过程中造成的瑕疵,而这个过程,就是blob分析。显然,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很多场合都会用到blob分析。

Blob分析主要适用于以下图像:
1. 二维目标图像
2. 高对比度图像
3. 存在/缺席检测
4. 数量范围和旋转不变性需求
并不适用于以下图像:
1. 低对比度图像
2. 必要的图像特征不能用2个灰度级描述
3. 按照模版检测

(1)图像分割(Image Segmentation)
因为 Blob分析是一种对闭合目标形状进行分析处理的基本方法。在进行Blob分析以前,必须把图像分割为构成斑点(Blob)和局部背景的像素集合。B l o b分析一般从场景的灰度图像着手进行分析。在Blob分析以前,图像中的每一像素必须被指定为目标像素或背景像素。典型的目标像素被赋值为1,背景像素被 赋值为0。有多种技术可将图像分割为目标像素和背景像素。这些技术包括:二元阈值(Binary Thresholding)、空间量化误差(Spatial~ mtization
Error)、软件二元阈值和像素加权(SoftBinary Thresholding and Pixel Weighting)、相关阈值(Relative Thresholds)、阈值图像(Threshold Image)。

(2)连通性分析(Connectivity Analysis)当图像被分割为目标像素和背景像素后,必须进行连通性分析,以便将目标图像聚合为目标像素或斑点的连接体。
连通性分析的三种类型如下:

·全图像连通性分析(Whole Image ConnectivityAnalysis)在全图像连通性分析中,被分割图像的所有的目标像素均被视为构成单一斑点的像素。即使斑点像素彼此并不相连,为了进行Blob分析,它们仍被视为单一的斑点。所有的Blob统计和测量均通过图像中的目标像素进行计算;

·连接Blob分析(Connected Blob analysis) 连接Blob分析通过连通性标准,将图像中目标像素聚合为离散的斑点连接体。一般情况下,连接性分析通过连接所有邻近的目标像素构成斑点。不邻近的目标像素则不被视为是斑点的一部分;
·标注连通性分析(Labeled Connectivity Analysis) 在 机器视觉应用中, 由于所进行的图像处理过程不同,可能需对某些已被分割的图像进行Blob分析,而这些图像并未被分割为目标像素和背景像素。例如:图像可能被分为四个不同 像素集合,每一集合代表不同的像素值范围。这类分割称为标注连通性分析。当对标注分割的图像进行连通性分析时,将连接所有具有同一标注的图像。标注连通分 析不再有目标和背景的概念。
(3)Blob工具Blob 工具是用来从背景中分离出目标,并测量任意形状目标物的形态参数。这个处理过程,Blob并不是分析单个的像素,而是对图形的行进行操作。图像的每一行都 用游程长度编码(RLE)来表示相邻的目标范围。这种方法与基于象素的算法相比,处理速度能够加快。为了适应各种不同的需求,Blob提供了很多过滤和分 类模式来定义测量参数,而且有较好的操作性能。
https://blog.csdn.net/tercel_zhang/article/details/51227431

Blob在机器视觉中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。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。

         Blob分析的一般步骤:

(1)图像分割:分离出前景和背景

(2)连通性分析:根据目标的连通性对目标区域进行标记,或者叫拓扑性分析

(3)特征量计算:描述了区域的几何特征,这些几何特征不依赖与灰度值

        一个很简单的例子:

         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。常用形态学处理包括: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.特征量计算常用

area_center,区域面积Area和中心(Row,Column)

area_center_gray,区域面积Area和灰度中心(Row,Column)

smallest_rectangle1最小外接矩形

smallest_rectangle2最小外接仿射矩形,

compactness,紧凑度

elliptic_axis,计算region区域中的椭圆参数

intensity,计算region区域的灰度平均值和偏差

min_max_gray,最小最大灰度值


作者:那珈落
来源:CSDN
原文:https://blog.csdn.net/zhougynui/article/details/51767974
版权声明:本文为博主原创文章,转载请附上博文链接!

发表评论

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据