摘要

在机器视觉项目当中，选定特定的图像区域，再此基础上做进一步处理，需要对图像区域分割，分割的方法有很多种，对于具体项目而言，不同的图像分割方法适用的场景不同，因此需要对特定的场景选择特定的图像分割方法，这里对图像区域分割方法做总结。

全局阈值分割

全局阈值分割：在整幅图像中根据灰度阈值进行分割；

1. 适用场景
   光照均匀，想要提取的目标区域与背景之间灰度差异较大，且目标区域的灰度值范围集中且稳定。不适用于环境光变化的场景。
2. 相关算子

threshold(Image,Region,grayMin,grayMax);

提取灰度值范围在grayMin到grayMax的区域。
可以直接在主程序窗口输入，也可以采用halcon提供的灰度直方图窗口拉拖最大最小值范围，可以实时的看到提取的区域的变化。

选中阈值，可以实时看到选中的区域变化

自动二值阈值分割

适合于直方图存在两个波峰的情况，即图像前景背景的区别较大

1. 适用场景：
   整幅图像黑白对比明显，所要提取的区域与背景灰度值差异很大，且成像稳定、
2. 相关算子

binary_threshold(Image,Region,Method,LightDark,UsedThreshold)

可以根据第四个参数选择是要提取亮的区域还是暗的区域。
其中，第三个参数为’max_separability’时，就是非常有名的大津法，Otsu法。
当选择dark时，分割的结果为：

当选择light时，分割的结果为：

动态阈值分割

动态阈值分割的方法有很多种，不同动态阈值分割的方法鲁棒性不同。总的来说，动态阈值分割是为了对光照不均匀，图像灰度值变化较大的场景自动分割的方法。

dyn_threshold

1. 适用场景
   适用于无法使用单一的阈值分割的情况，如背景比较复杂

2. 相关算子

dyn_threshold(OrigImage,thresholdImage,regionDynthresh,Offset,lightdark)

在这个算子里面第二个参数是阈值图像，一般在动态分割之前，需要做一个图像均值平滑处理，使用算子mean_image。了解过图像底层算法的人都知道，mean_image的参数代表掩膜窗口，其数值越大，能平滑掉更多的噪点，但是会影响边缘的对比度，一般参数设置为排除掉噪点即可。
因此这里需要结合图像平滑处理

mean_image (Image, ImageMean, 3, 3)
dyn_threshold (Image, ImageMean, RegionDynThresh, 5, 'dark')

var_threshold

1. 适用场景
   利用局部均值和标准差分割，适用于光照不均匀的场景同时目标区域与周围区域有较大灰度差。
2. 相关算子

var_threshold (Image, Region, 15, 15, 0.2, 50, 'dark')

图像效果

动态阈值分割的方法有很多，基本效果和以上几个算子效果都差不多，这里就不赘述了…

亚像素轮廓分割

亚像素轮廓是halcon的一种数据结构，它不是基于像素的，在像素内部相邻元素之间做边缘拟合，可以具体到像素内部，因此被称为亚像素轮廓。
相关算子

threshold_sub_pix(Image,Region,128)

这里的含义是将小于128阈值的灰度区域分割成区域。
图像效果