Halcon中区域的Roundness和Circularity特征的区别

 

 

在Halcon中，区域的特征Roundness（圆度）和Circularity（圆度）虽然都用于描述区域与圆形之间的相似程度，但它们在计算方法和应用上存在一些区别。还是从帮助文档着手：

 

1、Roundness（圆度）

 

机翻：

 

• 计算方法：Roundness通常通过计算区域轮廓上各点到区域中心的平均距离（Distance）与这些距离的标准差（Sigma）之间的关系来得到。这种计算方法更多地考虑了轮廓点到中心的分布情况（即侧重于轮廓的均匀性），从而评估区域形状的圆形程度；Roundness值越接近1，表示区域的形状越接近圆形。

 

帮助文档中还列举出了计算公式，但是比较复杂，难以用Halcon脚本来复现：

 

虽然搞不太清楚，但是没有关系，我研究以后发现特征筛选中使用“Circularity”来筛选，可能更符合常见项目的筛选目的。

 

2、Circularity（圆度）

 

• 计算方法：Circularity通常是通过区域的面积（F）和近似最小外接圆的面积的比值来计算。Circularity值越接近1，表示区域的形状越接近圆形。

 

帮助文档中描述了它的计算方法：

 

 

 

上图公式中，max是区域中心点到轮廓所有像素的最大距离，所以（max^2 * π）差不多近似等于区域最小外接圆的面积。

 

写了这么多，其实还是不太容易看出Roundness和Circularity在应用中的区别，我写一个脚本程序让大家直观地看出这2个特征的差异：

 

dev_set_draw ('margin')
dev_set_line_width (1)
dev_get_window (WindowHandle)
set_display_font (WindowHandle, 15, 'Courier', 'true', 'false')

read_image (Image, '各种图形.png')
threshold (Image, Region, 0, 55)
opening_circle (Region, RegionOpening, 1) //去掉可能的毛刺
connection (RegionOpening, ConnectedRegions)
*将多个轮廓按“column”从左到右排列
sort_region (ConnectedRegions, SortedRegions, 'first_point', 'true', 'column')

*获得Roundness、Circularity属性值
roundness (SortedRegions, Distance, Sigma, Roundness, Sides)
circularity (SortedRegions, Circularity)

dev_display (Image)
disp_message (WindowHandle, 'Roundness:', 'image', 30, 5, 'red', 'false')
disp_message (WindowHandle, 'Circularity:', 'image', 90, 5, 'red', 'false')
disp_message (WindowHandle, '计算近似值:', 'image', 120, 5, 'black', 'false')


for i := 0 to |Roundness|-1 by 1
    *两值差异＞30%的，用蓝色字显示
    bili := abs(Roundness[i] - Circularity[i]) / max2(Roundness[i] , Circularity[i])
    if (bili > 0.3)
        color := 'blue'
    else
        color := 'black'
    endif
    disp_message (WindowHandle, Roundness[i] $'.2f',   'image', 30,  168 + 104 * i, color, 'false')
    disp_message (WindowHandle, Circularity[i] $'.2f', 'image', 90, 168 + 104 * i, color, 'false')
    
    select_obj (SortedRegions, CurrentRoi, i + 1)
    gen_contour_region_xld (CurrentRoi, Contours, 'border')
    area_center (CurrentRoi, Area, Row, Column)
    distance_pc (Contours, Row, Column, DistanceMin, DistanceMax)
    
    * 公式：C1 = F / （max * max * π）
    C1 := Area /(DistanceMax * DistanceMax * 3.14159)  
    C := min2(1, C1)
    
    disp_message (WindowHandle, '(' + C $'.2f' + ')', 'image', 125, 159 + 104 * i, color, 'false')
endfor

 

 

上图可以看出，用公式“C1 = F / （max * max * π）”计算出的Circularity值（C1），与算子“circularity (SortedRegions, Circularity)”得出的值基本相同。也就验证了该公式的解读是正确的。

 

同时可以得出结论：

 

① 缺陷检测项目使用blob分析时，如果想用圆度来筛选圆形的斑点，使用特征Circularity显然更加合理；

 

② 至于Roundness特征，当区域是“正方形、窄边圆环、N角星”时，Roundness都很接近1，但是它们显然不像“圆形斑点”；

 

③ “窄边圆环”的Circularity值很小、Roundness值很大，这一规律有助于识别出“窄边圆环”。