Halcon机器视觉二维码实例及分步注解
Halcon机器视觉二维码实例及分步注解
[plain]view plaincopy
1.*2D Code generated by Image Acquisition01
2.*QR Code
3.dev_close_window()
4.dev_open_window(0,0,400,400,'black',WindowHandle)
5.*先关闭活动图形窗口，再打开这个窗口，标识符为WindowHandle；
6.*相对于界面左上角第0行、第0列，大小为400×400像素，颜色为黑色。
7.open_framegrabber('DirectShow',1,1,0,0,0,0,'default',8,'rgb',-1,'false','defa
ult','Gsou USB2.0Camera',0,-1,AcqHandle)
8.*打开帧接收器（图像采集设备，如摄像头，工业相机等），参数（Parameter）详见这个算子
9.*注意摄像头的名称,可以用工具栏中的“助手”——打开新的Image Acquisition获取摄像头及插入代码
10.grab_image_start(AcqHandle,-1)
11.while(true)
12.grab_image_async(Image,AcqHandle,-1)
13.create_data_code_2d_model('QR Code',[],[],DataCodeHandle)
14.*二维码的创建开头的算子，clear为结束清除的算子，见下。
15.set_display_font(WindowHandle,16,'mono','true','false')
16.dev_set_color('forest green')
17.dev_set_draw('margin')
18.dev_set_line_width(3)
19.set_data_code_2d_param(DataCodeHandle,'default_parameters','enhanced_recognition')
20.*设置选定参数的二维数据模型，参数详见这个算子
21.find_data_code_2d(Image,SymbolXLDs,DataCodeHandle,[],[],ResultHandles,DecodedDa
taStrings)
22.*检测和读取二维代码符号，也支持读取二维数据模型的序列，参数详见这个算子
23.for i:=0to|ResultHandles|-1by1
24.select_obj(SymbolXLDs,SymbolXLD,i+1)
25.get_contour_xld(SymbolXLD,Row,Col)
26.get_string_extents(WindowHandle,DecodedDataStrings[i],Ascent,Descent,TxtWidth
,TxtHeight)
27.disp_message(WindowHandle,DecodedDataStrings[i],'image',max(Row-50),max([min(
Col+30)-TxtWidth/2,1]),'black','true')
28.endfor
29.*这段for循环语句的目的是让解码到的字符串（二维码的内容）显示到二维码深绿色（forest green上
面定义）的解码区域框的行列位置。
30.*disp_message(WindowHandle,DecodedDataStrings,'window',12,12,'black','true')
31.*如果不需要设置显示到区域框中间的位置，而是显示到窗体的上方或其他位置，那么不需要上面那段for
语句，只需这段信息显示的语句即可显示到窗体相应位置。
32.if(|DecodedDataStrings|>0)
33.disp_continue_message(WindowHandle,'black','true')
34.stop()
35.endif
36.*if语句，当解码一个（大于0，可设置多个）二维码就暂停摄像头获取图像，直至按F5.
37.clear_data_code_2d_model(DataCodeHandle)
38.endwhile
39.close_framegrabber(AcqHandle)
二维码的网址：https://www.360docs.net/doc/3b6091357.html,/buvjx
二维码的网址：https://www.360docs.net/doc/3b6091357.html,
Halcon_VC相关
如何使用VC在Halcon中得到像素的信息 作者：支源，时间2007-3-16 Halcon的强大功能使我们省去很多图像处理（机器视觉）中的很多麻烦而又重复性的工作。但是，面向不同的应用，应该编写自己最核心的算法，从而达到最佳的处理效果；而且Halcon并不可能把各种情况都考虑进去。以下是我初步入门Halcon和VC的一点感触和想法，已经被实验证明了是正确的。 1，在VC中，使用Halcon打开图像文件，这里要注意read_image()和get_image_pointer1()指令被HDevelop翻译过来以后如下： Hobject Image HTuple Pointer, Type, Width, Height get_image_pointer1(Image, &Pointer, &Type, &Width, &Height); VC中如下声明： Halcon::Hobject Image Halcon::HTuple Pointer, Type, Width, Height VC中也可以如下声明使用： Hobject Image Char lpcsType[MAX_STRING] Hlong Pointer, Width, Height 或long Width, Height （如果定义为HTuple Pointer ; Hlong Width, Height; 编译会出现错误; 使用Halcon::HTuple Pointer, Type, Width, Height的话，后续中需要 图像的高宽时，强制类型转换不可用； 当然Hlong可以换成long，推荐使用Hlong。） get_image_pointer1(Image, &Pointer, lpcsType, &Width, &Height); 这里注意，在VC中如果get_image_pointer1( )中的字节类型使用tuple变量，那么Width和Height也必须使用tuple变量，否则编译时候容易出错误，至于原因是什么，可能halcon编译的时候需要各个参数的类型形式一致。 2，tuple类型的返回指针Pointer指向图像数据区域（如果是彩色则指向色彩的第一通道），图像的RGB色彩存放是同一种色彩信号最放在一起。注意Pointer所指向区域的大小比图像必须的色彩信息要大许多，这里可能是因为必须为tuple变量定义一定的类型限制，从而使用的空间变大了（由于不了解tuple的内部存储格式，所以不敢断定）。请看下面一段例子程序：使用Halcon，把彩色图像转化为灰度图像，然后使用Pointer指针得到灰度图像并显示，包括在VC窗口中进行显示部分。 using namespace Halcon; char lpcsType[MAX_STRING]; Hlong PointerGray,WidthGray, HeightGray; rgb1_to_gray(objImage, &objImageGray); get_image_pointer1(objImage, &PointerGray, lpcsType, &WidthGray, &HeightGray); BYTE * lpByte; BYTE * ImageGray; int bytewidth; bytewidth = ((long) WidthGray * 3 + 3 ) / 4 * 4 ;
vb连接halcon读取图像
halcon基本，vb连接halcon读取图像，视频 halcon学习方法：安装完halcon之后，在开始里出现一些文档 quick_guide.pdf 快速入门halcon hdevelop_users_guide.pdf 详细讲解在hdevelop中使用halcon，及hdevelop的操作 programmers_guide.pdf 详细讲解在高级语言中的使用halcon reference_hdevelop.pdf 讲解各个算子、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、vb中使用halcon窗口加载图像 1.读取图像 [cpp]view plaincopyprint? 1.read_image (Lena, 'F:/image/lena.jpg') 2.get_image_size (Lena, Width, Height) 3.dev_close_window () 4.dev_open_window (0, 0, Width/2, Height/2, 'black', WindowHandle) 5.set_display_font (WindowHandle, 14, 'mono', 'true', 'false') 6.dev_display (Lena) 7.disp_continue_message (WindowHandle, 'black', 'true') 8.stop () 2.导出vb的bas代码 选择文件/导出,弹出
注意：此处选择使用halcon窗口 3.vb中调用read_image.bas 先看一下read_image.bas的内容，可知在需要的地方直接调用main即可 [vb]view plaincopyprint? 1.... 2. 3.' Main procedure 4.Private Sub action() 5. 6. ' Local iconic variables 7. Dim ho_Lena As HUntypedObjectX 8. 9. 10. ' Local control variables 11. Dim hv_Width As Variant, hv_Height As Variant 12. Dim hv_WindowHandle As Variant 13. 14. 15. Call Op.ReadImage(ho_Lena, "F:/image/lena.jpg") 16. Call Op.GetImageSize(ho_Lena, hv_Width, hv_Height) 17. If COMExpWinHandleStack.IsOpen() Then 18. Op.CloseWindow (COMExpWinHandleStack.Pop()) 19. End If 20. Call Op.SetWindowAttr("background_color", "black") 21. Call Op.OpenWindow(0, 0, Tuple.TupleDiv( _ 22. hv_Width, 2), Tuple.TupleDiv(hv_Height, 2), 0, "", "", hv_WindowHandle) 23. COMExpWinHandleStack.Push (hv_WindowHandle) 24. Call set_display_font(hv_WindowHandle, 14, "mono", "true", "false") 25. If COMExpWinHandleStack.IsOpen() Then 26. Call Op.DispObj(ho_Lena, COMExpWinHandleStack.GetActive()) 27. End If 28. Call disp_continue_message(hv_WindowHandle, "black", "true") 29. HDevelopStop 30.End Sub 31. 32. 33. 34.#If Not NO_EXPORT_APP_MAIN Then 35.Sub InitHalcon() 36. ' Default settings used in HDevelop 37. Call Op.SetSystem("do_low_error", "false") 38.End Sub 39. 40.Sub Main() 41. Call InitHalcon 42. Call action 43.End Sub 44. 45.#End If
Halcon表面划伤检测实例
Halcon表面划伤检测实例 *关闭活动图形窗口 dev_close_window () * 在程序执行中指定输出行为为off。 dev_update_window ('off') * **** * step: acquire image 步骤：获取图像 * ****读入文件名为'surface_scratch' 的图像到Image read_image (Image, 'surface_scratch') get_image_size (Image, Width, Height) *打开一个和Image宽高比一致的图像窗口 dev_open_window_fit_image (Image, 0, 0, Width, Width, WindowID) *设置窗口字体大小为12，字体类型为Courier，粗体不倾斜字体。 set_display_font (WindowID, 12, 'Courier', 'true', 'false') *设置填充模式为'margin' dev_set_draw ('margin') *定义输出轮廓线宽为4
dev_set_line_width (4) *显示Image到窗口 dev_display (Image) *WindowID窗口使用黑色字体在一个方框内显示按"F5"继续运行字体，并注册F5消息处理disp_continue_message (WindowID, 'black', 'true') stop () * **** * step: segment image 步骤：图像分割 * **** * -> using a local threshold 使用局部阈值 * 对Image进行7*7均值滤波 mean_image (Image, ImageMean, 7, 7) ********************************************************************* *得到的图像为： * * * *用均值滤波图像作为二值化阈值图像，返回小于灰度值小于该点阈值-5的图像。 dyn_threshold (Image, ImageMean, DarkPixels, 5, 'dark') *************************************** ****得到的区域为：
halcon学习笔记——实例篇 长度和角度测量+
halcon学习笔记——实例篇长度和角度测量实例二：长度和角度测量 素材图片： halcon代码： 1: *读取并截取图片 2: dev_close_window() 3: read_image (Image, 'D:/MyFile/halcon/长度和角度测量/图.png') 4: crop_rectangle1 (Image, ImagePart, 75, 0, 400, 400) 5: get_image_size (ImagePart, Width, Height) 6: dev_open_window (0, 0, Width, Height, 'black', WindowHandle) 7: dev_display (ImagePart) 8: 9: *获取图形的边界 10: threshold (ImagePart, Regions, 0, 112) 11: 12: *分离三角形和圆形
13: connection(Regions,ConnectedRegions) 14: sort_region(ConnectedRegions,SortedRegions,'upper_left','true','column') 15: select_obj(SortedRegions,Circle,1) 16: select_obj(SortedRegions,Triangle,2) 17: 18: *获取三角形各边的信息 19: skeleton(Triangle,TriangleSkeleton) 20: gen_contours_skeleton_xld(TriangleSkeleton,TriangleContours,1,'filter') 21: segment_contours_xld(TriangleContours,ContoursSplit,'lines_circles', 5, 4, 2) 22:select_contours_xld(ContoursSplit,SelectedContours, 'contour_length',100, 999, -0.5, 0.5) 23: fit_line_contour_xld (SelectedContours, 'tukey', -1, 10, 5, 2, RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist) 24: 25: *计算三角形角度 26:angle_ll (RowBegin[0], ColBegin[0], RowEnd[0], ColEnd[0], RowBegin[1], ColBegin[1], RowEnd[1], ColEnd[1], Angle1) 27:angle_ll (RowBegin[0], ColBegin[0], RowEnd[0], ColEnd[0], RowBegin[2], ColBegin[2], RowEnd[2], ColEnd[2], Angle2) 28:angle_ll (RowBegin[1], ColBegin[1], RowEnd[1], ColEnd[1], RowBegin[2], ColBegin[2], RowEnd[2], ColEnd[2], Angle3) 29: Angle1:=abs(deg(Angle1)) 30: Angle2:=abs(deg(Angle2)) 31: Angle3:=abs(deg(Angle3)) 32: 33: *获取圆的信息 34: area_center(Circle,AreaCircle, RowCircle, ColumnCircle) 35: 36: *计算圆心到三角形各边的距离 37: Distance := [] 38:for Index := 0 to 2 by 1 39:distance_pl (RowCircle, ColumnCircle, RowBegin[Index], ColBegin[Index], RowEnd[Index], ColEnd[Index], ThisDistance) 40: Distance := [Distance,ThisDistance] 41: endfor
Halcon机器视觉二维码实例及分步注解
Halcon机器视觉二维码实例及分步注解 [plain]view plaincopy 1.*2D Code generated by Image Acquisition01 2.*QR Code 3.dev_close_window() 4.dev_open_window(0,0,400,400,'black',WindowHandle) 5.*先关闭活动图形窗口，再打开这个窗口，标识符为WindowHandle； 6.*相对于界面左上角第0行、第0列，大小为400×400像素，颜色为黑色。 7.open_framegrabber('DirectShow',1,1,0,0,0,0,'default',8,'rgb',-1,'false','defa ult','Gsou USB2.0Camera',0,-1,AcqHandle) 8.*打开帧接收器（图像采集设备，如摄像头，工业相机等），参数（Parameter）详见这个算子 9.*注意摄像头的名称,可以用工具栏中的“助手”——打开新的Image Acquisition获取摄像头及插入代码 10.grab_image_start(AcqHandle,-1) 11.while(true) 12.grab_image_async(Image,AcqHandle,-1) 13.create_data_code_2d_model('QR Code',[],[],DataCodeHandle) 14.*二维码的创建开头的算子，clear为结束清除的算子，见下。 15.set_display_font(WindowHandle,16,'mono','true','false') 16.dev_set_color('forest green') 17.dev_set_draw('margin') 18.dev_set_line_width(3) 19.set_data_code_2d_param(DataCodeHandle,'default_parameters','enhanced_recognition') 20.*设置选定参数的二维数据模型，参数详见这个算子 21.find_data_code_2d(Image,SymbolXLDs,DataCodeHandle,[],[],ResultHandles,DecodedDa taStrings) 22.*检测和读取二维代码符号，也支持读取二维数据模型的序列，参数详见这个算子 23.for i:=0to|ResultHandles|-1by1 24.select_obj(SymbolXLDs,SymbolXLD,i+1) 25.get_contour_xld(SymbolXLD,Row,Col) 26.get_string_extents(WindowHandle,DecodedDataStrings[i],Ascent,Descent,TxtWidth ,TxtHeight) 27.disp_message(WindowHandle,DecodedDataStrings[i],'image',max(Row-50),max([min( Col+30)-TxtWidth/2,1]),'black','true') 28.endfor 29.*这段for循环语句的目的是让解码到的字符串（二维码的内容）显示到二维码深绿色（forest green上 面定义）的解码区域框的行列位置。 30.*disp_message(WindowHandle,DecodedDataStrings,'window',12,12,'black','true') 31.*如果不需要设置显示到区域框中间的位置，而是显示到窗体的上方或其他位置，那么不需要上面那段for 语句，只需这段信息显示的语句即可显示到窗体相应位置。 32.if(|DecodedDataStrings|>0) 33.disp_continue_message(WindowHandle,'black','true')
数字图像处理角点检测方法研究毕业论文
数字图像角点特征检测方法研究
目录 引言 (3) 1 研究背景与发展 (6) 1.1研究背景 (6) 1.2研究现状和发展概述 (6) 1.3应用软件M ATLAB (7) 2 角点检测概念与原理 (9) 2.1角点的定义 (9) 2.2角点概念及特征 (9) 2.3角点检测意义 (9) 2.4角点检测原理 (10) 2.5角点检测技术的基本方法 (10) 2.5.1 基于模板的角点检测 (10) 2.5.2 基于边缘的角点检测 (11) 2.5.3 基于灰度变化的角点检测 (13) 3 角点算法概述 (14) 3.1角点检测的标准 (14) 3.2H ARRIS角点检测算子 (14) 3.2.1 Harris角点检测算子流程图 (19) 3.2.2 Harris角点检测算子的特点 (20) 3.2.3 Harris角点检测性质 (20) 3.2.4 Harris和Moravec算子角点检测实验结果 (21) 3.3一种改进的H ARRIS的算法 (23) 3.3.1试验结果 (24) 3.4S USAN角点检测算子 (25) 3.3.1 SUSAN角点检测一般步骤 (27) 3.3.2 Susan角点检测算子特点 (29) 3.3.3 Susan角点检测试验结果 (29) 4 其他算子简介 (33) 4.1小波变换算子 (33) 4.2F ORSTNER算子 (33) 4.3CSS角点检测算法 (35) 4.4ACSS角点检测算法 (36) 4.5各种角点检测算法的比较 (36) 结论 (39) 致谢 (41)
参考文献 (42) 附录1 HARRIS算法程序 (44) 附录2 MORA VEC算法程序 (46) 附录3 改进的HARRIS算法 (48) 附录4 SUSAN算法程序 (50)
halcon算子注解查询手册
Chapter 1 :Classification (4) 1.1 Gaussian-Mixture-Models (4) 1.2 Hyperboxes (4) 1.3 Neural-Nets (5) 1.4 Support-Vector-Machines (6) Chapter 2 Control (7) Chapter3 :Develop (8) Chapter 4 :File (10) 4.1 Images (10) 4.2 Misc (10) 4.3 Region (10) 4.4 Text (10) 4.5 Tuple (11) Chapter 5:Filter (12) 5.1 Arithmetic (12) 5.2 Bit (12) 5.3 Color (13) 5.4 Edges (13) 5.5 Enhancement (14) 5.6 FFT (15) 5.7 Geometric-Transformations (16) 5.8 Inpainting (17) 5.9 Lines (17) 5.10 Match (18) 5.11 Misc (18) 5.12 Noise (18) 5.13 Optical-Flow (19) 5.14 Points (19) 5.15 Smoothing (19) 5.16 Texture (20) 5.17 Wiener-Filter (20) Chapter 6 :Graphics (21) 6.1 Drawing (21) 6.2 Gnuplot (22) 6.3 LUT (22) 6.4 Mouse (23) 6.5 Output (23) 6.6 Parameters (24) 6.7 Text (26) 6.8 Window (27) Chapter 7 :Image (28) 7.1 Access (28) 7.2 Acquisition (28) 7.3 Channel (29)
Harris角点检测算法编程步骤及示例演示
Harris角点检测算法编程步骤及示例演示 也不说那么多废话了，要介绍啥背景意义之类的，角点检测，顾名思义，就是检测角点，最简单的就是两条线的交点了，还有比如下国际象棋的棋盘格子的交点之类的，反正就是检测这些点。 简单将Harris角点检测算法的思想说下，就是拿一个小窗在图像中移动，通过考察这个小窗口内图像灰度的平均变换值来确定角点。（1）如果窗口内区域图像的灰度值恒定，那么所有不同方向的偏移几乎不发生变化； （2）如果窗口跨越一条边，那么沿着这条边的偏移几乎不发生变化，但是与边垂直的偏移会发生很大的变化； （3）如果窗口包含一个孤立的点或者角点，那么所有不同方向的偏移会发生很大的变化。 下面给出具体数学推导： 设图像窗口平移量为（u,v）,产生的灰度变化为E(u,v), 有E(u,v)=sum[w(x,y)[I(x+u,y+v)-I(x,y)]^2],其中w(x,y)为窗口函数， I(x+u,y+v)为平移后的灰度值，I(x,y)为平移前的灰度值。 有泰勒公式展开可得： I(x+u,y+v)=I(x,y)+Ix*u+Iy*v+O(u^2,v^2); Ix,Iy分别为偏微分，在图像中为图像的方向导数. 因此E(u,v)=sum[w(x,y) [Ix*u+Iy*v+O(u^2,v^2)]^2], 可以近似得到E(u,v)=sum[w(x,y) [Ix*u+Iy*v]^2],即 E(u,v)=[u,v][Ix^2,Ix*Iy;Ix*Iy,Iy^2][u,v]T
令M=[Ix^2,Ix*Iy;Ix*Iy,Iy^2]，因此最后对角点的检测成了对矩阵M的特征值的分析了，令M其特征值为x1,x2; 当x1>>x2或者x2>>x1，则检测到的是边缘部分； 当x1,x2都很小，图像窗口在所有移动的方向上移动灰度级都无明显变化. 当X1,X2都很大时且相当，检测到的是角点。 编程时用x1,x2不方便，因此定义角点响应函数; R=det(M)-k(trace(M))^2; 其中det(M)为矩阵M的行列式，trace(M)为矩阵M的迹。 下面给出更具数学公式实际编程的步骤： 1.利用水平，竖直差分算子对图像的每个像素进行滤波以求得 Ix,Iy,进而求得M中的四个元素的值。 M=[Ix^2,Ix*Iy;Ix*Iy,Iy^2] 2.对M的四个元素进行高斯平滑滤波，为的是消除一些不必要 的孤立点和凸起，得到新的矩阵M。 3.接下来利用M计算对应每个像素的角点响应函数R，即： R=det(M)-k(trace(M))^2; 也可以使用改进的R： R=[Ix^2*Iy^2-(Ix*Iy)^2]/(Ix^2+Iy^2);里面没有随意给定的参数k，取值应当比第一个令人满意。 4.在矩阵R中，同时满足R(i,j)大于一定阈值threshold和R(i,j)
Halcon学习笔记之缺陷检测(二)教学教材
Halcon学习笔记之缺陷检测（二）例程：detect_indent_fft.hdev 说明：这个程序展示了如何利用快速傅里叶变换（FFT）对塑料制品的表面进行目标（缺陷）的检测，大致分为三步： 首先，我们用高斯滤波器构造一个合适的滤波器（将原图通过高斯滤波器滤波）； 然后，将原图和构造的滤波器进行快速傅里叶变换； 最后，利用形态学算子将缺陷表示在滤波后的图片上（在缺陷上画圈）。 注：代码中绿色部分为个人理解和注释,其余为例程中原有代码 *Initialization（初始化） dev_updata_off() //这一句包含如下三个算子： //dev_updata_pc(‘off’) 关闭更新程序计数器//dev_updata_var(‘off’) 关闭更新变量窗口 //dev_updata_window(‘off’) 关闭更新图像窗口（即通过命令来显示想要在图像窗口显示的图片） dev_close_window() //关闭活动的图像窗口 read_image(Image,’plastics / plastics_01’) //载入图片//参数说明：为读入图片命名（Image）// 文件名（’plastics/plastics_01’） get_image_size(Image,Width,height) //获取图片的长宽；//参数说明：之前读入或生成的图片（Image）// 图片的宽（Width）// 图片的高（Height） dev_open_window(0,0,Width,Height,’Black’,WindowHandle) //打开一个新的图像窗口//参数说明：起始坐标（0,0）// 大小（Width,Height）// 背景颜色（’Black’）// 窗口句柄（WindowHandle） set_display_font （WindowHandle,14,’mono’,’ture’,’false’）//设置不依赖操作系统的字体 //参数说明：窗口句柄（WindowHandle）
Halcon算子中文功能注解
Chapter_1_:Classification 1.1 Gaussian-Mixture-Models 1.add_sample_class_gmm 功能：把一个训练样本添加到一个高斯混合模型的训练数据上。 2.classify_class_gmm 功能：通过一个高斯混合模型来计算一个特征向量的类。 3. clear_all_class_gmm 功能：清除所有高斯混合模型。 4. clear_class_gmm 功能：清除一个高斯混合模型。 5. clear_samples_class_gmm 功能：清除一个高斯混合模型的训练数据。 6. create_class_gmm 功能：为分类创建一个高斯混合模型。 7.evaluate_class_gmm 功能：通过一个高斯混合模型评价一个特征向量。 8. get_params_class_gmm 功能：返回一个高斯混合模型的参数。 9. get_prep_info_class_gmm 功能：计算一个高斯混合模型的预处理特征向量的信息内容。 10. get_sample_class_gmm 功能：从一个高斯混合模型的训练数据返回训练样本。 11. get_sample_num_class_gmm 功能：返回存储在一个高斯混合模型的训练数据中的训练样本的数量。 12. read_class_gmm 功能：从一个文件中读取一个高斯混合模型。 13. read_samples_class_gmm 功能：从一个文件中读取一个高斯混合模型的训练数据。 14. train_class_gmm 功能：训练一个高斯混合模型。 15. write_class_gmm 功能：向文件中写入一个高斯混合模型。 16. write_samples_class_gmm 功能：向文件中写入一个高斯混合模型的训练数据。 1.2 Hyperboxes 1. clear_sampset 功能：释放一个数据集的内存。 2. close_all_class_box 功能：清除所有分类器。 3. close_class_box 功能：清除分类器。 4. create_class_box 功能：创建一个新的分类器。 5. descript_class_box 功能：分类器的描述。 6. enquire_class_box 功能：为一组属性分类。 7. enquire_reject_class_box 功能：为一组带抑制类的属性分类。8. get_class_box_param 功能：获取关于现在参数的信息。 9. learn_class_box 功能：训练分类器。 10. learn_sampset_box 功能：用数据组训练分类器。 11. read_class_box 功能：从一个文件中读取分类器。 12.read_sampset 功能：从一个文件中读取一个训练数据组。 13. set_class_box_param 功能：为分类器设计系统参数。 14. test_sampset_box 功能：为一组数组分类。 15. write_class_box 功能：在一个文件中保存分类器。 1.3 Neural-Nets 1. add_sample_class_mlp 功能：把一个训练样本添加到一个多层感知器的训练数据中。 2. classify_class_mlp 功能：通过一个多层感知器计算一个特征向量的类。3. clear_all_class_mlp 功能：清除所有多层感知器。 4. clear_class_mlp 功能：清除一个多层感知器。 5. clear_samples_class_mlp 功能：清除一个多层感知器的训练数据。 6. create_class_mlp 功能：为分类或者回归创建一个多层感知器。 7. evaluate_class_mlp 功能：通过一个多层感知器计算一个特征向量的评估。 8. get_params_class_mlp 功能：返回一个多层感知器的参数。 9. get_prep_info_class_mlp 功能：计算一个多层感知器的预处理特征向量的信息内容。 10. get_sample_class_mlp 功能：从一个多层感知器的训练数据返回一个训练样本。 11. get_sample_num_class_mlp 功能：返回存储在一个多层感知器的训练数据中的训练样本的数量。 12. read_class_mlp 功能：从一个文件中读取一个多层感知器。 13. read_samples_class_mlp 功能：从一个文件中读取一个多层感知器的训练数据。 14. train_class_mlp、 功能：训练一个多层感知器。 15. write_class_mlp 功能：向一个文件中写入一个多层感知器。 16. write_samples_class_mlp 功能：向一个文件中写入一个多层感知器的训练数据。
HALCON中文中文注解
Halcon查询图像参数 1、get_grayval ( Image : : Row, Column : Grayval ) 计算Image图像中坐标为（Row，Column）的点的灰度值Grayval。 2、get_image_pointer1 ( Image : : : Pointer, Type, Width, Height ) 计算Image图像的数据指针Pointer，图像类型Type，图像宽度Width和高度Height。Pointer指向了Image data的起点位置。 3、get_image_pointer3 ( ImageRGB : : : PointerRed, PointerGreen, PointerBlue, Type, Width, Height ) 计算彩色图像ImageRGB的参数。 4、get_image_pointer1_rect ( Image : : : PixelPointer, Width, Height, VerticalPitch, HorizontalBitPitch, BitsPerPixel ) 计算Image图像中定义区域的最小的长方形的区域的指针Pointer，宽度Width，高度Height，VerticalPitch代表Image的Width*(HorizontalBitPitch/8)。两个相邻象素的水平距离（以比特计算）HorizontalBitPitch，每像素的比特数BitsPerPixel。 5、get_image_time ( Image : : : MSecond, Second, Minute, Hour, Day, YDay, Month, Year ) 获取图像生成的时间。
Halcon学习笔记之缺陷检测(二)
Halcon学习笔记之缺陷检测（二）例程： 说明：这个程序展示了如何利用快速傅里叶变换（FFT）对塑料制品的表面进行目标（缺陷）的检测，大致分为三步： 首先，我们用高斯滤波器构造一个合适的滤波器（将原图通过高斯滤波器滤波）； 然后，将原图和构造的滤波器进行快速傅里叶变换； 最后，利用形态学算子将缺陷表示在滤波后的图片上（在缺陷上画圈）。 注：代码中绿色部分为个人理解和注释,其余为例程中原有代码 *Initialization（初始化） dev_updata_off() //这一句包含如下三个算子： //dev_updata_pc(‘off’) 关闭更新程序计数器//dev_updata_var(‘off’) 关闭更新变量窗口 //dev_updata_window(‘off’) 关闭更新图像窗口（即通过命令来显示想要在图像窗口显示的图片） dev_close_window() //关闭活动的图像窗口 read_image(Image,’plastics / plastics_01’) //载入图片//参数说明：为读入图片命名（Image）// 文件名（’plastics/plastics_01’）get_image_size(Image,Width,height) //获取图片的长宽；//参数说明：之前读入或生成的图片（Image）// 图片的宽（Width）// 图片的高（Height） dev_open_window(0,0,Width,Height,’Black’,WindowHandle) //打开一个新的图像窗口//参数说明：起始坐标（0,0）// 大小（Width,Height）// 背景颜色（’Black’）// 窗口句柄（WindowHandle） set_display_font （WindowHandle,14,’mono’,’ture’,’false’）//设置不依赖操作系统的字体 //参数说明：窗口句柄（WindowHandle） // 字体大小（14） // 字体类型（’mono’） // 是否黑体（’ture’） // 是否倾斜（’false’） dev_set_draw(‘Margin’) //定义区域填充模式//参数说明：填充模式（’Margin’或者’Fill’） dev_set_line_width（3）//设置输出区域轮廓线的线宽//可以修改参数来看最后缺陷区域标示的区别dev_set_color（’red’）//设置一种或者多种输出颜色 * *Optimize the fft speed for the specific image size(根据指定图像大小进行fft速度最优化) optimize_rft_speed（Width,Height,’standard’）//对指定大小的图片的fft速度进行优化//参数说明：图片大小（Width,Height）// 优化模式（’standard’） * *Construct a suitable filter by combining two Gaussian filters（结合两个高斯滤波器构造一*个合适的滤波器）Sigma1 :=
halcon+vb检测光学玻璃元件实例
halcon+vb检测光学玻璃元件实例发布于：2013-08-20 10:05 自然光下的玻璃元件实图 环型光源下的玻璃元件图 halcon 代码
open_framegrabber ('DirectShow', 1, 1, 0, 0, 0, 0, 'default', 8, 'gray', -1, 'false', 'def ault', 'Microvision MV-1400UC Digital Camera', 0, -1, AcqHandle) *打开摄像头 grab_image_start (AcqHandle, -1) *开始铺货图像 grab_image_async (Image, AcqHandle, -1) *捕获第一帧图像 get_image_size (Image, Width, Height) *获得图像大小 dev_open_window (0, 0, Width/6, Height/6, 'black', WindowHandle) *打开适合大小的窗口，应为相机是1400万像素所以图想太大窗口被我缩小了。 while (true) *无限循环 try grab_image_async (Image, AcqHandle, -1) *捕获一帧图像 dev_display (Image) *显示图像 smooth_image(Image, ImageSmooth, 'deriche2', 0.5) *平滑图像 threshold (ImageSmooth, Regions,125, 255) *阈值处理 *这个表面有些灰尘呵呵不过可以当噪点过滤掉的 area_center (Regions, Area1, Row3, Column3) *获得区域中心点 gen_contour_region_xld(Regions, Contours, 'border_holes') *将阈值处理后获得的区域转换成xld smooth_contours_xld(Contours, SmoothedContours, 5) *平滑xld
HALCON中的算子大全(中英对照)
HALCON中的算子大全（中英对照） Chapter 1 :Classification 1.1 Gaussian-Mixture-Models 1.add_sample_class_gmm 功能：把一个训练样本添加到一个高斯混合模型的训练数据上。 2.classify_class_gmm 功能：通过一个高斯混合模型来计算一个特征向量的类。 3. clear_all_class_gmm 功能：清除所有高斯混合模型。 4. clear_class_gmm 功能：清除一个高斯混合模型。 5. clear_samples_class_gmm 功能：清除一个高斯混合模型的训练数据。 6. create_class_gmm 功能：为分类创建一个高斯混合模型。 7.evaluate_class_gmm 功能：通过一个高斯混合模型评价一个特征向量。 8. get_params_class_gmm 功能：返回一个高斯混合模型的参数。 9. get_prep_info_class_gmm 功能：计算一个高斯混合模型的预处理特征向量的信息内容。 10. get_sample_class_gmm
功能：从一个高斯混合模型的训练数据返回训练样本。 11. get_sample_num_class_gmm 功能：返回存储在一个高斯混合模型的训练数据中的训练样本的数量。 12. read_class_gmm 功能：从一个文件中读取一个高斯混合模型。 13. read_samples_class_gmm 功能：从一个文件中读取一个高斯混合模型的训练数据。 14. train_class_gmm 功能：训练一个高斯混合模型。 15. write_class_gmm 功能：向文件中写入一个高斯混合模型。 16. write_samples_class_gmm 功能：向文件中写入一个高斯混合模型的训练数据。 1.2 Hyperboxes 1. clear_sampset 功能：释放一个数据集的内存。 2. close_all_class_box 功能：清除所有分类器。 3. close_class_box 功能：清除分类器。 4. create_class_box
角点检测方法总结
角点检测(Corner Detection) 角点检测(Corner Detection)是计算机视觉系统中用来获得图像特征的一种方法，广泛应用于运动检测、图像匹配、视频跟踪、三维建模和目标识别等领域中。也称为特征点检测。角点通常被定义为两条边的交点，更严格的说，角点的局部邻域应该具有两个不同区域的不同方向的边界。而实际应用中，大多数所谓的角点检测方法检测的是拥有特定特征的图像点，而不仅仅是“角点”。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征等。现有的角点检测算法并不是都十分的鲁棒。很多方法都要求有大量的训练集和冗余数据来防止或减少错误特征的出现。 角点检测方法的一个很重要的评价标准是其对多幅图像中相同或相似特征的检测能力，并且能够应对光照变化、图像旋转等图像变化。角点检测的方法有：Moravec角点检测算法，FAST角点检测算法，Harris角点检测法和shi_tomas角点检测法等。 1.1.1Moravec角点检测算法 Moravec角点检测算法Moravec角点检测算法是最早的角点检测算法之一。该算法将角点定义为具有低“自相关性”的点。算法会检测图像的每一个像素，将像素周边的一个邻域作为一个patch，并检测这个patch和周围其他patch的相关性。这种相关性通过两个patch间的平方差之和(SSD)来衡量，SSD值越小则相似性越高。如果像素位于平滑图像区域内，周围的patch都会非常相似。如果像素在边缘上，则周围的patch在与边缘正交的方向上会有很大差异，在与边缘平行的方向上则较为相似。而如果像素是各个方向上都有变化的特征点，则周围所有的patch都不会很相似。Moravec会计算每个像素patch和周围patch的SSD 最小值作为强度值，取局部强度最大的点作为特征点。Moravec角点检测算法有几个很明显的缺陷：1，强度值的计算并不是各向同性的，只有离散的8个45 度角方向被考虑。因为patch的评议比较最多只有8个方向；2，由于窗口是方形并且二元的，因此相应函数会有噪声；3，对边缘的相应太简单，因为强度值尽取SSD的最小值；