halcon中動態閾值分割以及使用偏差模型法檢測缺陷

動態閾值分割定義

將圖像與局部背景進行比較的操作稱動態閾值分割處理。

注意動態閾值的說法
當進行比較操作（做差）時，設置的閾值並不一定是動態的，這裏動態主要指各個局部的背景灰度值可能是動態變化的，即（背景+閾值）是動態的。

局部背景的估計

• 空域上
  可以用均值、高斯、中值濾波器對局部進行平滑處理的結果作爲對背景灰度值得估計。有時爲了加快處理速度，也可以採樣的方式，自己任意設置濾波器掩碼。 halcon中代碼如下：

mean_image(Image,Mean,D*2+1,D*2+1)
dyn_threshold(Image,Mean,Seg,5,'light')

• 時域上
  採集n張圖像，匹配對準後，每個像素點在n張圖像的均值/中值可作爲背景的估計

空域動態閾值缺陷檢測的限制

    動態閾值分割的結果不僅包括比局部背景更亮或更暗的物體，也包括亮區域或暗區域的邊緣，這也就是說，如果我們用空域動態閾值分割檢測缺陷，圖像邊緣也會被分割出來，這往往並不是我們需要的，因此這種方法我們通常會將roi限定在離邊緣有一定距離的地方。

偏差模型法缺陷檢測

核心思想

• 求良品圖時域平均，以進行背景的估計
• 求良品圖時域標準差，以進行閾值進行設置<即：背景灰度值和閾值都是動態的>

偏差模型的推導及由來

1. 理想情況下（檢測物體無形變，匹配對準很精確），那麼直接用檢測圖像減去參考圖像，在配一個閾值即可
   
2. 但是
   實際情況下，檢測物體總會出現微小形變，或採集時出現輕微畸變，這種情況下，直接用上式，邊緣部分基本會誤檢測；
   ex:如果物體尺寸增加半個像素，物體與背景灰度值差異是200，那麼當前圖像與參考圖像在物體邊緣部分的灰度差異將會是100,這個值通常會超過一個合理的閾值，邊緣被錯誤檢測出
3. 因此
   在進行閾值分割處理時，要考慮圖像預期的灰度值偏差。理想情況下，容許偏差可以是標準差乘以一個常數。
   
   其中g(rc)爲時域的均值圖像，v(rc)爲常數c*標準差s(rc)

標準差反應偏離樣本均值程度，物體邊緣地方容易形變，因此這些位置的標準差較大，當分割時，這些地方的閾值自然就大，就不容易誤分割

4. 但是
   如果訓練圖像相比於實際測試圖像的偏差非常小時，比如物體一部分接近相機飽和極限，此方法效果不好
5. 因此
   爲偏差圖像引入一個絕對閾值a（檢測亮缺陷）和b（暗缺陷）進行控制分割，當偏差小時，就用此絕對閾值進行分割

S={(r,c) ∈R|f(rc)<l(rc) V f(rc)>u(rc)}
u(rc) = m(rc) + max(a, cs(rc))
l(rc) = m(rc) - max(b, ds(rc))

以上就是halcon偏差模型進行缺陷檢測的理論知識。

算子組合

# 創建
create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)
# 訓練
train_variation_model (ImageTrans, VariationModelID)
# 查看均值圖像，偏差圖像
get_variation_model (MeanImage, VarImage, VariationModelID)
#設置絕對閾值，異常偏差的倍數因子
prepare_variation_model (VariationModelID, 20, 3)
#檢測分割
compare_variation_model (ImageReduced, RegionDiff, VariationModelID)