标签：src 阈值 int 网格 threshold 二值化 255
摘要
本篇来用OpenCV实现Halcon中一个简单的网格缺陷检测实例。 Halcon中对应的例子为novelty_detection_dyn_threshold.hdev。并对二值化中的三种阈值处理进行介绍和比较：
- 全局阈值二值化（含OTSU方法）
-
自适应阈值二值化
- 双阈值二值化
阈值处理分析
1️⃣全局阈值二值化-threshold()
OpenCV的threshold函数一般是给定一个阈值，对超过或者低于这个阈值的像素进行处理，函数如下：
threshold(
InputArray src, // 输入图像
OutputArray dst, // 输出图像
double thresh, // 阈值
double maxValue, // 最大值（对于三通道图像一般是255）
int thresholdType // 阈值化操作的类型
)
阈值化操作的类型常用两种：
THRESH_BINARY //黑背景找白目标（即超过设定阈值的值置255，其他为0）
THRESH_BINARY_INV //白背景找黑目标（即超过设定阈值的值置0，其他为255）
全局阈值类似一刀切的概念。对于整体图像来说，找到一个合适的阈值，将图像分为0（黑色）和255(白色）。
2️⃣自适应阈值二值化-adaptiveThreshold()
对于亮度分布差异较大的图像，因为常常无法找到一个合适的阈值。因此我们需要一种改进的阈值化算法，即自适应阈值化。
adaptiveThreshold(
InputArray src, // 输入图像
OutputArray dst, // 输出图像
double maxValue, // 最大值
int adaptiveMethod, // 自适应方法，平均或高斯
int thresholdType // 阈值化类型
int blockSize, // 块大小（大小必须为奇数）
double C // 常量（即偏移值调整量）
)
//adaptiveThreshold()支持两种自适应方法:
ADAPTIVE_THRESH_MEAN_C //平均:阈值是邻域的平均值
ADAPTIVE_THRESH_GAUSSIAN_C //高斯:阈值是邻域值的加权和，其中权重是高斯窗口
自适应阈值化能够根据图像不同区域亮度分布的，改变阈值。因此，我们针对同一图像的不同区域获得不同的阈值，并为具有不同照明的图像提供更好的结果。
3️⃣双阈值二值化
对于图像具有明显的双分界特征，可以使用双阈值法进行二值化操作，即实现Halcon中的threshold函数。
简单来说：
- Halcon的threshold函数是获取区间[a, b]之间的灰度值（双阈值）
- OpenCV的threshold只能针对大于或者小于a或者b的灰度值处理（单阈值）
因此我们可以预设两个特定的阈值量thresh1、thresh2，并且thresh1 < thresh2 。阈值化的过程就是，将在 （thresh1，thresh2） 这个区间内的灰度值设置为maxVal（255），将其余部分设置为0 。
const int maxVal = 255; //预设最大值
int low_threshold = 90; //较小的阈值量
int high_threshold = 190; //较大的阈值量
//小阈值对源灰度图像进行二进制阈值化操作
threshold(srcGray, dst1, low_threshold, maxVal, THRESH_BINARY);
//大阈值对源灰度图像进行反二进制阈值化操作
threshold(srcGray, dst2, high_threshold, maxVal, THRESH_BINARY_INV);
//矩阵"与运算"得到二值化结果
bitwise_and(dst1, dst2, dst); //对像素加和
imshow("双阈值二值化", dst);
程序中主要还是用到了threshold()函数，对较小的阈值量进行二进制阈值化，而对较大的阈值量进行反二进制化操作，最后将所得的两幅图像进行与运算，得到最终效果。网格缺陷检测
进入正题，本篇对网格缺陷检测的思路很简单：
- 动态阈值处理
- 面积筛选显示缺陷
opencv实现：
Mat src = imread("D:/opencv练习图片/网格缺陷检测1.png");
imshow("原图", src);
cvtColor(src, gray, COLOR_RGB2GRAY);
GaussianBlur(gray, gray, Size(3, 3), 1, 0);
//双阈值方法
threshold(gray, binary1, 25, 255, THRESH_BINARY);
threshold(gray, binary2, 80, 255, THRESH_BINARY_INV);
bitwise_and(binary1, binary2, binary);
imshow("双阈值二值化", binary);
vector<vector<Point>>contours;
findContours(binary, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE, Point());
for (int i = 0; i < contours.size(); i++)
{
float area = contourArea(contours[i]);
if (area>350)
{
drawContours(src, contours, i, Scalar(0, 0, 255), 2, 8);
int baseline = 0;
Size textSize = getTextSize("Mesh Not OK", FONT_HERSHEY_SIMPLEX, 1.0, 2, &baseline);
rectangle(src, Rect(10, 10, textSize.width, textSize.height + baseline), Scalar(212, 233, 252), -1, 8);
putText(src, "Mesh Not OK", Point(10, 5 + textSize.height + baseline), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2, 8);
}
else
{
int baseline = 0;
Size textSize = getTextSize("Mesh OK", FONT_HERSHEY_SIMPLEX, 1.0, 2, &baseline);
rectangle(src, Rect(10, 10, textSize.width, textSize.height + baseline), Scalar(212, 233, 252), -1, 8);
putText(src, "Mesh OK", Point(10, 5 + textSize.height + baseline), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2, 8);
}
}
imshow("缺陷", src);
这里采用的是双阈值处理。我们可以对比三种阈值处理的情况：
（1）全局阈值OTSU方法：
可以看到有部分正常孔洞和网格相连，会导致正常孔洞也被标记为缺陷。
（2）自适应阈值：
可以看到效果还不错。
（3）双阈值：
对比自适应阈值，可以看到分割的还是比较明显一点的。
参考博文：python-opencv函数总结之（一）threshold、adaptiveThreshold、Otsu 二值化_sinat_21258931的博客-CSDN博客
标签：src,阈值,int,网格,threshold,二值化,255 来源： https://www.cnblogs.com/xyf327/p/14850543.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。