图像分割中的 regiongrowing 与动态阈值算法详解对比

在使用 HALCON 进行图像处理时，图像分割是最常见也最关键的操作之一。本文将深入讲解 regiongrowing 算子的原理与使用方法，并与另一常见方法——动态阈值 (dyn_threshold) 进行详细对比，帮助你根据不同应用场景选择合适的分割策略。

---

一、regiongrowing 算子详解

1. 算子功能

regiongrowing 是基于区域生长的分割方法，能将图像中灰度值相近的相邻像素块合并成一个连通区域，适用于灰度变化平缓、结构清晰的目标提取。

2. 算子格式

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

参数说明：

• Image：输入的单通道图像（支持 byte, int1, int2, real 等类型）
• Regions：输出的区域集合（Region数组）
• Row, Column：指定栅格大小（必须为奇数），控制比较粒度，默认通常为 3
• Tolerance：灰度值差异容差，决定是否合并相邻块
• MinSize：过滤小区域的最小像素数阈值

3. 算法原理

1. 将图像划分为 Row x Column 的小块；
2. 比较相邻块的中心像素灰度值；
3. 若差值小于等于 Tolerance，则合并区域；
4. 最后剔除面积小于 MinSize 的区域。

4. 示例代码

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

---

二、dyn_threshold 算子简介

1. 功能概述

动态阈值通过比较当前像素与模糊背景图的灰度差异，实现前景/背景分离，适用于背景不均但结构明显的目标提取。

2. 算子格式

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

• Image：原图
• Background：模糊图像或局部平均图像
• RegionDynThresh：输出的前景区域
• Threshold：差值阈值（像素 - 背景 > 阈值 即为前景）

3. 示例代码

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

---

三、两者详细对比

特性	regiongrowing	dyn_threshold
核心思想	从种子点开始区域扩展	前景/背景灰度差判断
操作单位	块级别区域合并	单像素灰度比较
是否考虑连通性	✅	❌
是否自动生长	✅	❌
是否依赖模糊图像	❌（可选预处理）	✅（必须）
输出结果	多区域（Region数组）	二值区域（Region）

使用场景对比

场景	更适合 regiongrowing	更适合 dyn_threshold
背景复杂、目标灰度一致	✅	❌
背景光照不均匀	❌	✅
连通区域提取需求强	✅	❌
实时性能要求	✅	✅

类比通俗理解

• regiongrowing 类似“从一点开始涂色”，相近颜色会不断扩展；
• dyn_threshold 更像是“背景图减原图”，亮出前景。

---

四、总结

对比维度	regiongrowing	dyn_threshold
连通区域分割	✅	❌
灰度不均背景	❌	✅
算法逻辑	局部相似性扩张	背景减法式阈值
应用举例	焊点、颗粒提取	字符、污点检测

建议：

• 若需区域结构连通且灰度一致，可选 regiongrowing
• 若背景不均，目标明显，可用 dyn_threshold