计算机视觉中的 Blob 是指图像中的一块连通区域， Blob 分析就是对前景/背景分离后的二值图像，进行连通域提取和标记。标记完成的每一个 Blob 都代表一个前景目标，然后就可以计算 Blob 的一些相关特征，如：面积、质心、外接矩形等几何特征，还可以计算Blob 的颜色、纹理特征，这些特征都可以作为跟踪的依据。

Blob 算法的核心思想，就是在一块区域内，将出现“灰度突变”的范围找出来。确定其大小、形状及面积等。算法从边缘寻找中的”卷积算法”，例如”卷积算法”的矩阵设定为 2*4 扫描从左向右从上至下进行的。矩阵每移动一步，算法计算矩阵中前半部(列 1 及列 2 )的灰度值总和，与矩阵中后半部(列 3 及列 4 )的灰度值总和的差。假如矩阵中这块图像的颜色为相同，也就是说矩阵中的 8 个像素的灰度极接近的话，那么，这个矩阵前部与后部灰度值总和差应该是趋近 0 的。程序一步步运行，矩阵前部与后部的灰度值总和差一直接近0。如果矩阵扫描到了一块前景的边缘，这时矩阵前部与后部灰度值总和差突变了，灰度值不再接近，则是到了一个 Blob。当算法扫描完整的时候，系统就记录了全部发生这种突变情况的点的坐标。之后再对这些边缘点进行一系列的分析，便可以得到这个 Blob 的大小、形状及面积等信息。

使用示例：

1、根据物件特征进行参数筛选设置，如图：

2、对跟踪到的物件可以输出 Blob 的中心坐标、长宽、面积、窗口位置等信息，常用于初定位功能。例如：利用 Blob 中心点坐标，对圆探针定位，再测量物件直径。

多物件分别测量直径：