机器视觉中Blob分析

一.概念
在计算机视觉中的Blob(Binary large object)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，一般来说，该区域就是图像中的前景。

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。
blob分析应用案例：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场合。

因此，Blob分析其实就是将图像二值化，分割得到前景和背景，然后进行连通区域检测以及面积、周长重心等特征的分析，从而得到Blob的过程。
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。
可以从背景中分离出目标，并可以计算出目标的数量、位置、形状、方向和大小，还可以提供相关斑点间的拓扑结构。

二.步骤

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：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.Blob分析技术

去噪：图像的形态学处理，常见有：膨胀（dilate），腐蚀(erose)，开操作(open)，闭操作(close)。
通性分析：将目标从像素级转换到连通分量级。
特征值计算：对每个目标进行特征量计算，包括面积、周长、质心坐标等特征。
场景描述：对场景中目标之间的拓扑关系进行描述。

如下图所示：左边是一副原始图片，右边彩线包围区域是是获取的Blob区域，每个区域中十字的位置是Blob分析所得的重心位置。