圖像分割中的 regiongrowing 與動態閾值算法詳解對比

在使用 HALCON 進行圖像處理時，圖像分割是最常見也最關鍵的操作之一。本文將深入講解 regiongrowing 算子的原理與使用方法，并與另一常見方法——動態閾值 (dyn_threshold) 進行詳細對比，幫助你根據不同應用場景選擇合適的分割策略。

---

一、regiongrowing 算子詳解

1. 算子功能

regiongrowing 是基于區域生長的分割方法，能將圖像中灰度值相近的相鄰像素塊合并成一個連通區域，適用于灰度變化平緩、結構清晰的目標提取。

2. 算子格式

regiongrowing(Image : Regions : Row, Column, Tolerance, MinSize)

參數說明：

• Image：輸入的單通道圖像（支持 byte, int1, int2, real 等類型）
• Regions：輸出的區域集合（Region數組）
• Row, Column：指定柵格大小（必須為奇數），控制比較粒度，默認通常為 3
• Tolerance：灰度值差異容差，決定是否合并相鄰塊
• MinSize：過濾小區域的最小像素數閾值

3. 算法原理

1. 將圖像劃分為 Row x Column 的小塊；
2. 比較相鄰塊的中心像素灰度值；
3. 若差值小于等于 Tolerance，則合并區域；
4. 最后剔除面積小于 MinSize 的區域。

4. 示例代碼

read_image(Image, 'fabrik')
mean_image(Image, Mean, 5, 5)
regiongrowing(Mean, Regions, 5, 5, 6.0, 100)

---

二、dyn_threshold 算子簡介

1. 功能概述

動態閾值通過比較當前像素與模糊背景圖的灰度差異，實現前景/背景分離，適用于背景不均但結構明顯的目標提取。

2. 算子格式

dyn_threshold(Image, Background, RegionDynThresh, Threshold, 'light')

• Image：原圖
• Background：模糊圖像或局部平均圖像
• RegionDynThresh：輸出的前景區域
• Threshold：差值閾值（像素 - 背景 > 閾值 即為前景）

3. 示例代碼

mean_image(Image, Background, 15, 15)
dyn_threshold(Image, Background, RegionDynThresh, 10, 'light')

---

三、兩者詳細對比

特性	regiongrowing	dyn_threshold
核心思想	從種子點開始區域擴展	前景/背景灰度差判斷
操作單位	塊級別區域合并	單像素灰度比較
是否考慮連通性	?	?
是否自動生長	?	?
是否依賴模糊圖像	?（可選預處理）	?（必須）
輸出結果	多區域（Region數組）	二值區域（Region）

使用場景對比

場景	更適合 regiongrowing	更適合 dyn_threshold
背景復雜、目標灰度一致	?	?
背景光照不均勻	?	?
連通區域提取需求強	?	?
實時性能要求	?	?

類比通俗理解

• regiongrowing 類似“從一點開始涂色”，相近顏色會不斷擴展；
• dyn_threshold 更像是“背景圖減原圖”，亮出前景。

---

四、總結

對比維度	regiongrowing	dyn_threshold
連通區域分割	?	?
灰度不均背景	?	?
算法邏輯	局部相似性擴張	背景減法式閾值
應用舉例	焊點、顆粒提取	字符、污點檢測

建議：

• 若需區域結構連通且灰度一致，可選 regiongrowing
• 若背景不均，目標明顯，可用 dyn_threshold