缺陷檢測(cè)分類

1.1 標(biāo)準(zhǔn)缺陷檢測(cè)

所謂標(biāo)準(zhǔn)，就是不針對(duì)行業(yè)特點(diǎn)，這里基本分為如下幾類：

標(biāo)準(zhǔn)預(yù)處理功能：圖像增強(qiáng)、腐蝕、膨脹、開運(yùn)算、閉運(yùn)算、濾波、傅立葉變換（頻域空間域轉(zhuǎn)換）、距離變換、差分、等

面積檢測(cè)：閾值后計(jì)算ROI內(nèi)面積

Blob（閾值分割+特征提取）檢測(cè)：閾值聯(lián)通后計(jì)算Blob

濃度差檢測(cè)：計(jì)算ROI范圍內(nèi)的最大濃度、最小濃度、濃度差

直線/曲線上的毛刺/缺陷：擬合直線/曲線，計(jì)算邊緣點(diǎn)到直線/曲線距離

標(biāo)準(zhǔn)的做法一般都是拿標(biāo)準(zhǔn)的算法塊進(jìn)行組合，以達(dá)到缺陷檢測(cè)的效果，缺陷檢測(cè)標(biāo)準(zhǔn)流程一般是：

1設(shè)置基準(zhǔn)圖模板——>2當(dāng)前圖模板定位——>3生成仿射變換矩陣——>4旋轉(zhuǎn)平移圖像或者區(qū)域——>5預(yù)處理差分——>6預(yù)處理濾波/腐蝕/膨脹——>7Blob檢測(cè)——>8面積檢測(cè)

1.2 非標(biāo)缺陷檢測(cè)（針對(duì)行業(yè)特性）

相對(duì)與標(biāo)準(zhǔn)做法，非標(biāo)的做法就非常多，有些非標(biāo)的目的是為了減少操作步驟，例如將上面的組合流程變成一個(gè)工具，這個(gè)我們稱之為業(yè)務(wù)邏輯非標(biāo)。

還有一些非標(biāo)主要是做圖像預(yù)處理部分，例如修改一些標(biāo)準(zhǔn)預(yù)處理的算子和預(yù)處理流程，將瑕疵提取出來。當(dāng)然，對(duì)數(shù)學(xué)理論掌握程度較高的朋友，會(huì)推導(dǎo)理論公式，然后直接實(shí)現(xiàn)數(shù)學(xué)公式達(dá)到檢測(cè)效果。

2. 行業(yè)難點(diǎn)

傳統(tǒng)算法檢測(cè)缺陷：調(diào)試難度大，容易在檢測(cè)不穩(wěn)定情況下反復(fù)調(diào)參，且復(fù)雜缺陷誤測(cè)多，兼容性差

機(jī)器學(xué)習(xí)檢測(cè)缺陷：一般使用類似MLP的一些單層神經(jīng)網(wǎng)絡(luò)，對(duì)缺陷特征進(jìn)行訓(xùn)練分類，該方法需要事先提取出缺陷部分，一般用來與傳統(tǒng)分割法搭配使用，達(dá)到缺陷檢測(cè)分類的效果。

深度學(xué)習(xí)檢測(cè)缺陷（打標(biāo)簽）：一般需要客戶提供大量的缺陷樣本，而且缺陷種類越多、特征越不明顯，需要的缺陷樣本就越大。其次，打標(biāo)簽過程很難做到自動(dòng)，需要手動(dòng)輔助框出缺陷位置，工作量非常大?？偨Y(jié)就是訓(xùn)練周期久，訓(xùn)練樣本大，如果客戶可以提供大量樣本，那該方法是首選（半導(dǎo)體行業(yè)一般不會(huì)出現(xiàn)大量缺陷樣品）

深度學(xué)習(xí)檢測(cè)缺陷（遷移學(xué)習(xí)法）：該方法我感覺會(huì)成為后面工業(yè)領(lǐng)域檢測(cè)瑕疵的一個(gè)大趨勢(shì)，但是需要一些公司去收集各種行業(yè)的缺陷類型圖片和訓(xùn)練的網(wǎng)絡(luò)模型，并共享出來（突然感覺是個(gè)商機(jī)，就看誰能抓住了），然后我們可以使用遷移學(xué)習(xí)的方法學(xué)習(xí)別人訓(xùn)練好的模型。

3. 常規(guī)缺陷檢測(cè)算法（Halcon）

總的來說，缺陷檢測(cè)的算法包括：

Blob分析+特征提取（常用，較簡(jiǎn)單）

定位（Blob定位、模板匹配定位）+ 差分（常用）

光度立體

特征訓(xùn)練

測(cè)量擬合（常用）

頻域+空間域結(jié)合（常用）

深度學(xué)習(xí)

3.1 差分法

標(biāo)準(zhǔn)缺陷檢測(cè)我覺得用差分法還是蠻多的。顧名思義，差分就是通過對(duì)兩幅圖像或和兩個(gè)區(qū)域作差，來找出其中有差異的區(qū)域。處理流程基本就是定位Blob分析+差分或模板匹配+差分的方式，主要用來檢測(cè)物品損壞，凸起，破洞，缺失，以及質(zhì)量檢測(cè)等。兩種方式的具體流程如下：

3.1.1 blob分析+差分

檢測(cè)流程如下：

讀取圖像

對(duì)圖像進(jìn)行Blob分析，提取圖像上的Roi檢測(cè)區(qū)域

在對(duì)Roi區(qū)域直接進(jìn)行差分處理或者與沒有缺陷的圖像進(jìn)行差分處理

ps：這里差分包含區(qū)域差分和圖像差分兩種方式。

最后求差集，根據(jù)差集部分的面積判斷該物品是否有缺陷

流程解析：以標(biāo)準(zhǔn)圖像中的灰度值為模板，計(jì)算處檢測(cè)圖像的灰度值，并與標(biāo)準(zhǔn)圖像作差，灰度值差異越大，則證明檢測(cè)圖像中存在與標(biāo)準(zhǔn)圖比有明顯灰度變化的區(qū)域，即這部分區(qū)域就是我們所要篩選出的缺陷區(qū)域。

示例分析：提取灰度值明顯的缺陷區(qū)域

*1.使用`intensity()`算子計(jì)算出模板圖（即標(biāo)準(zhǔn)圖，圖1）的檢測(cè)區(qū)域圖像的灰度平均值`OriginalMean`

intensity(OriginalRegion, ImageReduced1, OriginalMean, Deviation1)

*2.再`intensity()`算子計(jì)算出待測(cè)圖（圖2）的檢測(cè)區(qū)域圖像的灰度平均值`DetectMean`，計(jì)算出兩幅圖像灰度均值的差值

intensity (DetectRegion, ImageReduced2, DetectMean, Deviation2)

tuple_abs (OriginalMean-DetectMean, Abs)

*3.

*如果兩個(gè)區(qū)域的灰度值差值大于10（if(Abs>10)），則生成一副圖像（圖3），其灰度值為模板圖中計(jì)算得到的的平均灰度值；

*如果兩個(gè)區(qū)域的灰度值差值小于10（if(Abs<10)），則生成一副圖像（圖3），其灰度值為待測(cè)圖中計(jì)算得到的的平均灰度值。

*ps：這里計(jì)算結(jié)果是差值小于10，也就是檢測(cè)圖的灰度值差異和模板圖差異不大，直接生成一個(gè)后者的灰度均值圖像

if(Abs>10)

gen_image_proto (ImageReduced2, ImageCleared, OriginalMean)

else

gen_image_proto (ImageReduced2, ImageCleared, DetectMean)

endif

reduce_domain (ImageCleared, RegionDifference, ImageReduced1)

*4.將待測(cè)圖與新生成的灰度值圖像做差值（圖4），可以找到待測(cè)圖和模板圖灰度值有差異的區(qū)域

abs_diff_image (ImageReduced2, ImageReduced1, ImageAbsDiff, 1)

invert_image (ImageAbsDiff, ImageInvert)

threshold (ImageInvert, Region1, 0, 30)

opening_circle (Region1, RegionOpening, 1.5)

connection (RegionOpening, ConnectedRegions)

select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 10, 99999)

檢測(cè)效果如下：

沒理解的，再列舉一些Halcon中的差分例程練練手：

1.檢測(cè)毛刺（Blob+差分法）—— fin.hdev

2.電路板線路缺陷檢測(cè)（Blob+差分法）—— pcb_inspection.hdev

3.瓶口破損缺陷檢測(cè)（Blob+差分法）—— inspect_bottle_mouth.hdev（注意直角坐標(biāo)系和極坐標(biāo)系之間的轉(zhuǎn)換）

3.1.2 模板匹配+差分

流程如下：

先定位模板區(qū)域后，求得模板區(qū)域的坐標(biāo)，創(chuàng)建物品的形狀模板create_shape_model，注意把模板的旋轉(zhuǎn)角度改為rad(0)和rad(360)

匹配模板find_shape_model時(shí)，由于物品的缺陷使形狀有局部的改變，所以要把MinScore設(shè)置小一點(diǎn)，否則匹配不到模板。并求得匹配項(xiàng)的坐標(biāo)

關(guān)鍵的一步，將模板區(qū)域仿射變換到匹配成功的區(qū)域。由于差集運(yùn)算是在相同的區(qū)域內(nèi)作用的，所以必須把模板區(qū)域轉(zhuǎn)換到匹配項(xiàng)的區(qū)域

最后求差集，根據(jù)差集部分的面積判斷該物品是否有缺陷

示例分析：印刷質(zhì)量缺陷檢測(cè)（可變現(xiàn)模板匹配+差分法）—— print_check.hdev

ps：里面沒用difference做差分，而是用了Halcon為變形模板提供的專門的差分算子：compare_variation_model();

3.1.3 兩種檢測(cè)方式對(duì)比

Blob分析適用于需要整張圖都是Roi區(qū)域或圖像某處Roi區(qū)域通過預(yù)處理很容易提取出來的情況。而Blob分析沒辦法定位到圖像R區(qū)域的時(shí)候就需要用到模板匹配了，通過模板匹配（形狀匹配或局部變形匹配）定位到圖像Roi區(qū)域，然后用差異模型去檢測(cè)缺陷，可以理解為模板匹配 + 差分是Blob分析 + 差分的進(jìn)階版，比較容易處理的可以交給兒子Blob分析處理，難的話爸爸模板匹配上。

3.2 頻域+空間結(jié)合法

3.2.1 傅里葉變換理論

傅里葉變換是一種函數(shù)在空間域和頻率域的變換，從空間域到頻率域的變換是傅里葉變換，而從頻率域到空間域是傅里葉的反變換。

時(shí)域與頻域：

頻域(frequency domain)

是指在對(duì)函數(shù)或信號(hào)進(jìn)行分析時(shí)，分析其和頻率有關(guān)部份，而不是和時(shí)間有關(guān)的部份，和時(shí)域一詞相對(duì)。

時(shí)域（空間域）

是描述數(shù)學(xué)函數(shù)或物理信號(hào)對(duì)時(shí)間的關(guān)系。例如一個(gè)信號(hào)的時(shí)域波形可以表達(dá)信號(hào)隨著時(shí)間的變化。若考慮離散時(shí)間，時(shí)域中的函數(shù)或信號(hào)，在各個(gè)離散時(shí)間點(diǎn)的數(shù)值均為已知。若考慮連續(xù)時(shí)間，則函數(shù)或信號(hào)在任意時(shí)間的數(shù)值均為已知。在研究時(shí)域的信號(hào)時(shí)，常會(huì)用示波器將信號(hào)轉(zhuǎn)換為其時(shí)域的波形。

兩者相互間的變換

時(shí)域（信號(hào)對(duì)時(shí)間的函數(shù)）和頻域（信號(hào)對(duì)頻率的函數(shù)）的變換在數(shù)學(xué)上是通過積分變換實(shí)現(xiàn)。對(duì)周期信號(hào)可以直接使用傅立葉變換，對(duì)非周期信號(hào)則要進(jìn)行周期擴(kuò)展，使用拉普拉斯變換。

信號(hào)在頻率域的表現(xiàn)：

在頻域中，頻率越大說明原始信號(hào) 變化速度越快；頻率越小說明原始信號(hào)越平緩。當(dāng)頻率為0時(shí)，表示直流信號(hào)，沒有變化。因此，頻率的大小反應(yīng)了信號(hào)的變化快慢。高頻分量解釋信號(hào)的突變部分，而低頻分量決定信號(hào)的整體形象。

在圖像處理中，頻率反應(yīng)了圖像在空域灰度變化劇烈程度，也就是圖像灰度的變化速度，也就是圖像的梯度大小。對(duì)圖像而言，圖像的邊緣部分是突變部分，變化較快，因此反應(yīng)在頻域上是高頻分量；圖像的噪聲大部分情況下是高頻部分；圖像平緩變化部分則為低頻分量。也就是說，傅立葉變換提供另外一個(gè)角度來觀察圖像， 可以將圖像從灰度分布轉(zhuǎn)化到頻率分布上來觀察圖像的特征。書面一點(diǎn)說就是，傅里葉變換提供了一條從空域到頻率自由轉(zhuǎn)換的途徑。對(duì)圖像處理而言，以下概念非常的重要。

由布布丶全權(quán)冠名的“ 第一屆圖像杯拳王挑戰(zhàn)錦標(biāo)賽 "`正式開始，有請(qǐng)：

高頻代表隊(duì)參賽選手：噪聲、細(xì)節(jié)和邊緣

圖像高頻分量：圖像突變部分，在某些情況下指圖像邊緣信息，某些情況下指噪聲，更多是兩者的混合。

低頻代表隊(duì)參賽選手：圖像整體輪廓

圖像低頻分量：圖像（亮度/灰度）變化平緩的部分，代表著那是連續(xù)漸變的一塊區(qū)域，這部分就是低頻。對(duì)于一幅圖像來說，除去高頻的就是低頻了，也就是邊緣以內(nèi)的內(nèi)容為低頻，而邊緣內(nèi)的內(nèi)容就是圖像的大部分信息，即圖像的大致概貌和輪廓，是圖像的近似信息。

親高頻派裁判代表：高通濾波器 —— 讓圖像高頻分量通過，抑制低頻分量。

親低頻派裁判代表：低通濾波器 —— 與高通相反，讓圖像低頻分量通過，抑制高頻分量。

鐵面無私裁判代表：帶通濾波器 —— 使圖像在某一部分的頻率信息通過，其他過低或過高都抑制。

左右逢源裁判代表：帶阻濾波器，是帶通的反。

加強(qiáng)理解：圖像噪聲一般是白點(diǎn)或者黑點(diǎn)，因?yàn)樗c正常的點(diǎn)顏色不一樣了，也就是說該像素點(diǎn)灰度值明顯不一樣了，也就是灰度有快速地變化了，所以是高頻部分；圖像細(xì)節(jié)處也是屬于灰度值急劇變化的區(qū)域，正是因?yàn)榛叶戎档募眲∽兓艜?huì)出現(xiàn)細(xì)節(jié)，也屬于高頻部分；所以一般會(huì)對(duì)信號(hào)先進(jìn)行低通濾波處理，即過濾掉圖像中的高頻部分（噪聲/細(xì)節(jié)/邊緣），留下低頻（圖像輪廓），結(jié)果就是圖像模糊了。

ps：圖像處理中，有書上說低頻反應(yīng)輪廓，高頻反應(yīng)細(xì)節(jié)；有的文章里面說低頻反應(yīng)的是背景，高頻反應(yīng)的是邊緣；低頻反應(yīng)輪廓，這里的輪廓指的不是邊緣(很多人會(huì)搞混覺得輪廓是指的就是邊緣)，打個(gè)比方，近視眼的人摘了眼鏡，人們通常會(huì)說：“我什么也看不清，僅僅能看到一個(gè)大致輪廓。”就是類似的意思。所以圖像的邊緣提取仍是提起的邊緣的高頻信息，這兩種說法并不矛盾。

總結(jié)：低頻代表圖像整體輪廓，高頻代表了圖像噪聲、邊緣和細(xì)節(jié)，中頻代表圖像紋理等。

3.2.2 應(yīng)用場(chǎng)景

使用傅里葉變換進(jìn)行頻域分析的應(yīng)用場(chǎng)景：

具有一定紋理特征的圖像，紋理可以理解為條紋，如布匹、木板、紙張等材質(zhì)容易出現(xiàn)。

需要提取對(duì)比度低或者信噪比低的特征。

圖像尺寸較大或者需要與大尺寸濾波器進(jìn)行計(jì)算，此時(shí)轉(zhuǎn)換至頻域計(jì)算，具有速度優(yōu)勢(shì)。因?yàn)榭臻g域?yàn)V波為卷積過程（加權(quán)求和），頻域計(jì)算直接相乘。

3.2.3 核心檢測(cè)算子

在Halcon中，使用頻域進(jìn)行檢測(cè)的思路是先從空間域到頻域，在頻域中進(jìn)行適當(dāng)濾波，選擇自己想要的頻段，然后再返回到空間域中去，其中有兩個(gè)步驟是比較關(guān)鍵的：

1. 生成合適的濾波器

對(duì)應(yīng)的關(guān)鍵算子：

gen_std_bandpass

gen_sin_bandpass

*創(chuàng)建一個(gè)高斯濾波器，sigma越小濾波器越小，通過的信號(hào)更加的集中在低頻，這樣做的目的是得到背景

gen_gauss_filter( : ImageGauss : Sigma1, Sigma2, Phi, Norm, Mode, Width, Height : )（常用）

gen_mean_filter

gen_derivative_filter

gen_bandpass

gen_bandfilter

gen_highpass

gen_lowpass

2. 快速傅里葉變換（空間域和頻域之間的相互轉(zhuǎn)換）

對(duì)應(yīng)的關(guān)鍵算子：

fft_generic(Image : ImageFFT : Direction, Exponent, Norm, Mode, ResultType : )

rft_generic(Image : ImageFFT : Direction, Norm, ResultType, Width : )

兩個(gè)算子共同點(diǎn)：

這兩個(gè)算子都可以進(jìn)行空間域—>頻域，頻域—>空間域的變換，只需要針對(duì)參數(shù)Direction分別進(jìn)行選擇，參數(shù)'to_freq'是進(jìn)行的是空間域—>頻域的變換，'from_freq'是頻域—>空間域的變換

針對(duì)參數(shù)ResultType，如果是to_freq'，那么ResultType一般選擇'complex'；如果是'from_freq'，ResultType一般選擇’byte’(灰度圖像)。

兩個(gè)算子不同點(diǎn)：

fft_generic：DC項(xiàng)在頻域中的位置可選在左上角（Mode：'dc_edge'）或者原點(diǎn)平移到中心（Mode：'dc_center'）

rft_generic：沒有設(shè)置項(xiàng)Mode，原點(diǎn)在默認(rèn)在左上角。

除此之外，fft_image：也可進(jìn)行快速傅里葉變化(空間域到頻域），等價(jià)于fft_generic(Image,ImageFFT,‘to_freq’,-1,‘sqrt’,‘dc_center’,‘complex’)

3.2.4 相關(guān)實(shí)際檢測(cè)案例

塑料制品的表面進(jìn)行缺陷檢測(cè) —— detect_indent_fft.hdev

* 1.對(duì)指定大小的圖片的fft速度進(jìn)行優(yōu)化

optimize_rft_speed (Width, Height, 'standard')

Sigma1 := 10.0

Sigma2 := 3.0

* 2.構(gòu)造兩個(gè)高斯濾波器，ps：Sigma參數(shù)的選取很重要

gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, 'none', 'rft', Width, Height)

gen_gauss_filter (GaussFilter2, Sigma2, Sigma2, 0.0, 'none', 'rft', Width, Height)

* 兩圖片相減（灰度）

sub_image (GaussFilter1, GaussFilter2, Filter, 1.025, 0)

NumImages := 16

for Index := 1 to NumImages by 1

read_image (Image, 'plastics/plastics_' + Index$'02')

rgb1_to_gray (Image, Image)

* 3.計(jì)算一個(gè)圖像的實(shí)值快速傅里葉變換（空間域轉(zhuǎn)至頻域）

rft_generic (Image, ImageFFT, 'to_freq', 'none', 'complex', Width)

* 4.用在頻域內(nèi)的濾波器使一個(gè)圖像卷積。

convol_fft (ImageFFT, Filter, ImageConvol)

* 5.卷積后的頻域圖像轉(zhuǎn)至空間域

rft_generic (ImageConvol, ImageFiltered, 'from_freq', 'n', 'real', Width)

* 6.濾波之后的圖像交給形態(tài)學(xué)來分析

* 空間域上的blob圖像分割

*原圖矩形內(nèi)的灰度值范圍（max-min）作為輸出圖像像素值，擴(kuò)大了亮的部分

gray_range_rect (ImageFiltered, ImageResult, 10, 10)

* 獲得圖像最大灰度值和最小灰度值

min_max_gray (ImageResult, ImageResult, 0, Min, Max, Range)

*二值化提取( 5.55是經(jīng)驗(yàn)值，在調(diào)試中得到)

threshold (ImageResult, RegionDynThresh, max([5.55,Max * 0.8]), 255)

select_shape (RegionDynThresh, SelectedRegions, 'area', 'and', 1, 99999)

對(duì)于處理這種細(xì)微的缺陷，也可使用頻域處理。該例程的關(guān)鍵就是使用兩個(gè)低通濾波器，進(jìn)行相減后構(gòu)造了一個(gè)帶阻濾波器（先通過高反差保留讓中高頻通過，然后通過高斯模糊抑制高頻，最終的結(jié)果是讓中頻通過）來提取缺陷分量。

此外，Halcon中關(guān)于傅里葉變換的例程還有：detect_mura_defects_texture.hdev

檢測(cè)布料表面劃痕

*《Halcon機(jī)器視覺算法原理與編程實(shí)戰(zhàn)》16-1

* 將測(cè)試圖像轉(zhuǎn)化為單通道的灰度圖像

rgb1_to_gray (Image, ImageGray)

* 1.創(chuàng)建一個(gè)高斯濾波器，用于將傅里葉轉(zhuǎn)換后的圖像進(jìn)行濾波

gen_gauss_filter (GaussFilter, 3.0, 3.0, 0.0, 'none', 'rft', Width, Height)

* 對(duì)灰度圖像進(jìn)行顏色反轉(zhuǎn)

invert_image (ImageGray, ImageInvert)

* 2.對(duì)反轉(zhuǎn)后的圖像進(jìn)行傅里葉變換

rft_generic (ImageInvert, ImageFFT, 'to_freq', 'none', 'complex', Width)

* 3.對(duì)傅里葉圖像做卷積，使用之前創(chuàng)建的高斯濾波器作為卷積核

convol_fft (ImageFFT, GaussFilter, ImageConvol)

* 4.將卷積后的傅里葉圖像還原為空間域圖像。可見圖像的突變部分得到了增強(qiáng)

rft_generic (ImageConvol, ImageFiltered, 'from_freq', 'n', 'real', Width)

* 5.設(shè)置提取線條的參數(shù)，將圖像中的有灰度差異的線條提取出來

calculate_lines_gauss_parameters (17, [25,3], Sigma, Low, High)

lines_gauss (ImageFiltered, Lines, Sigma, Low, High, 'dark', 'true', 'gaussian', 'true')

木板劃痕檢測(cè)

dev_update_off ()

dev_close_window ()

read_image (Image, '缺陷檢測(cè)木板劃痕提取.jpg')

* 1.彩色轉(zhuǎn)灰度圖

count_channels (Image, Channels)

if (Channels == 3 or Channels == 4)

rgb1_to_gray (Image, Image)

endif

get_image_size (Image, Width, Height)

dev_open_window_fit_size (0, 0, Width, Height, -1, -1, WindowHandle)

dev_display (Image)

* 2.傅里葉變換去背景

fft_generic (Image, ImageFFT, 'to_freq', -1, 'sqrt', 'dc_center', 'complex')

gen_rectangle2 (Rectangle1, 308.5, 176.56, rad(-0), 179.4, 7.725)

gen_rectangle2 (Rectangle2, 306.955, 175, rad(-90), 180.765, 4.68)

union2 (Rectangle1, Rectangle2, UnionRectangle)

paint_region (UnionRectangle, ImageFFT, ImageResult, 0, 'fill')

fft_generic (ImageResult, ImageFFT1, 'from_freq', 1, 'sqrt', 'dc_center', 'byte')

* 3.提取劃痕

threshold (ImageFFT1, Regions, 5, 240)

connection (Regions, ConnectedRegions)

select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 20, 99999)

union1 (SelectedRegions, RegionUnion)

dilation_rectangle1 (RegionUnion, RegionDilation, 5, 5)

connection (RegionDilation, ConnectedRegions1)

select_shape (ConnectedRegions1, SelectedRegions1, ['width','height'], 'and', [30,15], [150,100])

dilation_rectangle1 (SelectedRegions1, RegionDilation1, 11, 11)

union1 (RegionDilation1, RegionUnion1)

skeleton (RegionUnion1, Skeleton)

* 4.顯示

dev_set_color ('red')

dev_display (Image)

dev_display (Skeleton)

審核編輯：劉清