halcon入门的两百个必会算子（三）——阈值分割

作用：自适应全局阈值分割，通过寻找灰度直方图的两个峰值来进行图像分割，和threshold类似，只是这个并非手动的设定一个字区域值，而是选择模式，自动的识别峰值进行分割·

ModelImage：输入图像句柄

Regions: 输出的结果，可以理解为区域

'smooth_histo': 两种自适应直方图阈值分割方法。‘smooth_histo’用于分割灰度值相对均匀的图像，‘midtones’用于分割灰度值在中间值较多的图像

'light’: 选择亮度阈值,'dark’选择灰度阈值

UsedThreshold: 输出计算出的阈值

补充一点滤波的知识

均值滤波、中值滤波、高斯滤波

滤波的作用是去除一些噪声，平滑一些图像细节

均值滤波:

【作用】可以去除一些细小的噪声，对于高峰值的噪声去除效果比较一般，原理是将突出的噪声平均到周围上面，降低突出的噪声，会造成整体的边缘变得模糊

【特点】边缘变得模糊，类似磨皮的效果

【椒盐噪声】指的是图像中分布着不同大小的亮点（白色）和暗点（黑色）的随机噪声。一般情况下，噪声以椒（0）或盐（255）出现。

中值滤波:

【效果】可以去除椒盐噪声

【特点】对单个突出点的噪声去除效果很好，但是对于成片的连续噪声，就会造成边缘的模糊

高斯滤波:

【效果】对于高斯噪声有比较好的抑制作用，原理就是将噪声点向中心点靠拢，与周围颜色相近的点进行交换，噪声就被“挤”出来了。

【特点】边缘细节可以比较完好地保存

【高斯噪声】指的是服从高斯分布的噪声，也就是正态分布的噪声。在图像中，噪声可能是白噪声，也可能是某些点的颜色异常。这种噪声可以总结出它的一些统计特征，即噪声的平均值为0，数据符合高斯分布。

实际操作判断不出来的时候，就是都试试，哪个效果好用哪个，理论只是基础，实际和理论往往都有一定的差距

mean_image (ModelImage, ImageMean, Width, Height)

局部分割（一）

作用：图像均值滤波

ModelImage：输入图像句柄

ImageMean: 输出平滑后的图像句柄

Width:设置的均值滤波核宽

Height:设置的均值滤波核高

下面这个就是3*3滤波核的均值滤波

median_image (ModelImage, ImageMedian, Width, Height)

局部分割（二）

作用：图像中值滤波

ModelImage：输入图像句柄

ImageMean: 输出平滑后的图像句柄

Width:设置的均值滤波核宽

Height:设置的均值滤波核高

gauss_filter (ImageMean, ImageGauss, 5)

局部分割（三）

作用：图像高斯滤波

ImageMean：输入的图像句柄

ImageGauss：平滑后的图像句柄

5:高斯核的宽和高，正方形高斯滤波

dyn_threshold (ModelImage, ModelImage, RegionDynThresh, 5, 'light')

作用：图像自动阈值分割，通过计算灰度值分布图中的两个峰值来进行分割，适用于光照差别较大的图

ModelImage：输入图像句柄

ModelImage：输入的第二个图像句柄

RegionDynThresh：处理后输出的结果，可以理解为一块区域(可以有好多块)

5:分割的峰之间差值

'light':分割类型，选择亮度阈值, 可选‘dark’, ‘equal’, ‘light’, ‘not_equal’

上一篇：halcon入门的两百个必会算子（二）——图像创建-CSDN博客

下一篇：halcon入门的两百个必会算子（四）——区域集合运算及变换

您可能感兴趣的与本文相关的镜像

Python3.8

Conda

Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本