VC之Halcon函数库类的封装

楼主#

更多发布于：2013-07-22 09:20

hello，I‘m long。上一篇我介绍了如何在VC6中配置Halcon程序。这一篇我将带大家开发一个halcon的class。用此class来封装halcon的函数，方便我们使用Halcon的算子。本人才疏学浅，希望能起到抛砖引玉的目的。

1、申明CHalcon类,做如下的成员函数申明：

2、每一个成员函数的实现如下：

（1）、Init成员函数。本函数主要是初始化Halcon环境。本例中只是创建一个窗口。

（2）、Algorithm成员函数。如下所示.本函数是核心函数。大家从Halcon中导出的C++代码可以在此成员函数中进行实现。

Hobject CHalcon::Algorithm(Hobject image) //处理算法得出处理结果图像

{

//核心算法。。。。。。。。。。。。。。。。

}

（3）、LoadObject成员函数。本函数是从文件中载入图片。

（4）、PrintImage成员函数。在窗口中显示图片，该函数有两个重载版本。

(5)、PrintObject成员函数，本函数用来显示Region、轮廓等。

本人水平有限，欢迎批评指针，本文只是简单的对Halcon进行了封装。希望抛砖引玉。本人建议大家使用优秀的设计模式来进行程序设计，这样可使得程序的可维护性和可拓展性得到增强！

几种常用边缘检测算法的比较

几种常用边缘检测算法的比较摘要:边缘是图像最基本的特征，边缘检测是图像分析与识别的重要环节。基于微分算子的边缘检测是目前较为常用的边缘检测方法。通过对Roberts，Sobel，Prewitt，Canny 和Log 及一种改进Sobel等几个微分算子的算法分析以及MATLAB 仿真实验对比，结果表明，Roberts，Sobel 和Prewitt 算子的算法简单，但检测精度不高，Canny 和Log 算子的算法复杂，但检测精度较高，基于Sobel的改进方法具有较好的可调性，可针对不同的图像得到较好的效果，但是边缘较粗糙。在应用中应根据实际情况选择不同的算子。 0 引言边缘检测是图像分析与识别的第一步，边缘检测在计算机视觉、图像分析等应用中起着重要作用，图像的其他特征都是由边缘和区域这些基本特征推导出来的，边缘检测的效果会直接影响图像的分割和识别性能。边缘检测法的种类很多，如微分算子法、样板匹配法、小波检测法、神经网络法等等，每一类检测法又有不同的具体方法。目前，微分算子法中有Roberts，Sobel，Prewitt，Canny，Laplacian，Log 以及二阶方向导数等算子检测法，本文仅将讨论微分算子法中的几个常用算子法及一个改进Sobel算法。 1 边缘检测

在图像中，边缘是图像局部强度变化最明显的地方，它主要存在于目标与目标、目标与背景、区域与区域( 包括不同色彩) 之间。边缘表明一个特征区域的终结和另一特征区域的开始。边缘所分开区域的内部特征或属性是一致的，而不同的区域内部特征或属性是不同的。边缘检测正是利用物体和背景在某种图像特征上的差异来实现检测，这些差异包括灰度、颜色或纹理特征，边缘检测实际上就是检测图像特征发生变化的位置。边缘的类型很多，常见的有以下三种: 第一种是阶梯形边缘，其灰度从低跳跃到高; 第二种是屋顶形边缘，其灰度从低逐渐到高然后慢慢减小; 第三种是线性边缘，其灰度呈脉冲跳跃变化。如图1 所示。 (a) 阶梯形边缘(b) 屋顶形边缘 (b) 线性边缘图像中的边缘是由许多边缘元组成，边缘元可以看作是一个短的直线段，每一个边缘元都由一个位置和一个角度确定。边缘元对应着图像上灰度曲面N 阶导数的不连续性。如果灰度曲面在一个点的N 阶导数是一个Delta 函数，那么就

HALCON形状匹配总结

HALCON形状匹配总结 Halcon有三种模板匹配方法：即Component-Based、Gray-Value-Based、Shaped_based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配，此外还有变形匹配和三维模型匹配也是分属于前面的大类本文只对形状匹配做简要说明和补充： Shape_Based匹配方法：上图介绍的是形状匹配做法的一般流程及模板制作的两种方法。先要补充点知识：形状匹配常见的有四种情况一般形状匹配模板shape_model、线性变形匹配模板 planar_deformable_model、局部可变形模板 local_deformable_model、和比例缩放模板Scale_model 第一种是不支持投影变形的模板匹配，但是速度是最高的，第二种和第四种是支持投影变形的匹配，第三种则是支持局部变形的匹配。一般形状匹配模板是最常用的，模板的形状和大小一经制作完毕便不再改变，在查找模板的过程中，只会改变模板的方向和位置等来匹配目标图像中的图像。这个方法查找速度很快，但是当目标图像中与模板对应的图像存在比例放大缩小

或是投影变形如倾斜等，均会影响查找结果。涉及到的算子通常为create_shape_model 和find_shape_model 线性变形匹配模板planar_deformable_model是指模板在行列方向上可以进行适当的缩放。行列方向上可以分别独立的进行一个适当的缩放变形来匹配。主要参数有行列方向查找缩放比例、图像金字塔、行列方向匹配分数（指可接受的匹配分数，大于这个值就接受，小于它就舍弃）、设置超找的角度、已经超找结果后得到的位置和匹配分数线性变形匹配又分为两种：带标定的可变形模板匹配和不带标定的可变形模板匹配。涉及到的算子有：不带标定的模板：创建和查找模板算子 create_planar_uncalib_deformable_model和 find_planar_uncalib_deformable_model 带标定模板的匹配：先读入摄像机内参和外参 read_cam_par 和read_pose 创建和查找模板算子create_planar_calib_deformable_model和 find_planar_calib_deformable_model 局部变形模板是指在一张图上查找模板的时候，可以改变模板的尺寸，来查找图像上具有局部变形的模板。例如包装纸袋上图案查找。参数和线性变形额差不多算子如下：create_local_deformable_model和 find_local_deformable_model

Sobel边缘检测算子

经典边缘检测算子比较一各种经典边缘检测算子原理简介图像的边缘对人的视觉具有重要的意义，一般而言，当人们看一个有边缘的物体时，首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘。边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。需要指出的是，检测出的边缘并不等同于实际目标的真实边缘。由于图像数据时二维的，而实际物体是三维的，从三维到二维的投影必然会造成信息的丢失，再加上成像过程中的光照不均和噪声等因素的影响，使得有边缘的地方不一定能被检测出来，而检测出的边缘也不一定代表实际边缘。图像的边缘有方向和幅度两个属性，沿边缘方向像素变化平缓，垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用微分算子检测出来，通常用一阶或两阶导数来检测边缘，如下图所以。不同的是一阶导数认为最大值对应边缘位置，而二阶导数则以过零点对应边缘位置。（a ）图像灰度变化（b ）一阶导数（c ）二阶导数基于一阶导数的边缘检测算子包括Roberts 算子、Sobel 算子、Prewitt 算子等，在算法实现过程中，通过22?（Roberts 算子）或者33?模板作为核与图像中的每个像素点做卷积和运算，然后选取合适的阈值以提取边缘。拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子，该算子对噪声敏感。一种改进方式是先对图像进行平滑处理，然后再应用二阶导数的边缘检测算子，其代表是LOG 算子。前边介绍的边缘检测算子法是基于微分方法的，其依据是图像的边缘对应一阶导数的极大值点和二阶导数的过零点。Canny 算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是在满足一定约束条件下推导出的边缘检测最优化算子。 1 Roberts （罗伯特）边缘检测算子景物的边缘总是以图像中强度的突变形式出现的，所以景物边缘包含着大量的信息。由于景物的边缘具有十分复杂的形态，因此，最常用的边缘检测方法是所谓的“梯度检测法”。设(,)f x y 是图像灰度分布函数； (,)s x y 是图像边缘的梯度值；(,)x y ?是梯度的方向。则有 [][]{} 1 2 22 (,)(,)(,)(,)(,)s x y f x n y f x y f x y n f x y = +-++- （1）（n=1,2,...） [][]{}1 (,)tan (,)(,)/(,)(,)x y f x y n f x y f x n y f x y ?-=+-+- （2）

机器视觉之Halcon算子--区域特征

H a l c o n算子--区域特征当我们想要提取Region时，图像处理后，往往存在几个类似的Region，此时，需要根据Region的一些特殊特征，来选择指定的Region。求Region指定特征值：region_features(Regions : : Features : Value) 根据特征值选择区域：select_shape(Regions : SelectedRegions : Features, Operation, Min, Max : ) Region特征一览：特征英译备注area Area of the object 对象的面积 row Row index of the center 中心点的行坐标 column Column index of the center 中心点的列坐标 width Width of the region 区域的宽度 height Height of the region 区域的高度 row1 Row index of upper left corner 左上角行坐标 column1 Column index of upper left corner 左上角列坐标 row2 Row index of lower right corner 右下角行坐标 column2 Column index of lower right corner 右下角列坐标 circularity Circularity 圆度0~1 compactness Compactness 紧密度0~1 contlength Total length of contour 轮廓线总长 convexity Convexity 凸性 rectangularity Rectangularity 矩形度0~1 ra Main radius of the equivalent ellipse 等效椭圆长轴半径长度 rb Secondary radius of the equivalent ellipse 等效椭圆短轴半径长度 phi Orientation of the equivalent ellipse 等效椭圆方向 anisometry Anisometry 椭圆参数，Ra/Rb长轴与短轴的比值 bulkiness Bulkiness 椭圆参数，蓬松度π*Ra*Rb/A struct_factor Structur Factor? 椭圆参数， Anisometry*Bulkiness-1

边缘检测算子比较

边缘检测算子比较不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。课题所用图像边缘与边界应该算是等同的。在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位； Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。 Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。 Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的。各向同性Sobel 算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数，简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们可以给出阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。

经典边缘检测算子对比

经典边缘检测算子比较张丽南京信息工程大学信息与计算科学系，南京210044 摘要：图像边缘检测技术是图像分割、目标识别、区域形态提取等图像分析领域中十分重要的基础。本文简要介绍各种经典图像边缘检测算子的基本原理，用Matlab仿真实验结果表明各种算子的特点及对噪声的敏感度，为学习和寻找更好的边缘检测方法提供参考价值。关键字：图像处理；边缘检测；算子；比较引言图像的边缘时图像最基本的特征之一。所谓边缘（或边沿）是指周围像素灰度有阶跃性变化或“屋顶”变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，因此它是图像分割依赖的重要特征。图像边缘对图像识别和计算机分析十分有用，边缘能勾划出目标物体，使观察者一目了然；边缘蕴含了丰富的内在信息（如方向、阶跃性质、形状等）。从本质上说，图像边缘是图像局部特性不连续性（灰度突变、颜色突变、纹理结构突变等）的反应，它标志着一个区域的终结和另一个区域的开始。边缘检测技术是所有基于边界分割的图像分析方法的第一步，首先检测出图像局部特性的不连续性，再将它们连成边界，这些边界把图像分成不同的区域，检测出边缘的图像就可以进行特征提取和形状分析。为了得到较好的边缘效果，现在已经有了很多的边缘检测算法以及一些边缘检测算子的改进算法。但各算子有自己的优缺点和适用领域。本文着重对一些经典边缘检测算子进行理论分析、实际验证并对各自性能特点做出比较和评价，以便实际应用中更好地发挥其长处，为新方法的研究提供衡量尺度和改进依据。一各种经典边缘检测算子原理简介图像的边缘对人的视觉具有重要的意义，一般而言，当人们看一个有边缘的物体时，首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘。边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图像。需要指出的是，检测出的边缘并不等同于实际目标的真实边缘。由于图像数据时二维的，而实际物体是三维的，从三维到二维的投影必然会造成信息的丢失，再加上成像过程中的光照不均和噪声等因素的影响，使得有边缘的地

数字图像处理几种边缘检测算子的比较

数字图像处理几种边缘检测算子的比较边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括：深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。有许多方法用于边缘检测，它们的绝大部分可以划分为两类：基于查找一类和基于零穿越的一类。基于查找的方法通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。基于零穿越的方法通过寻找图像二阶导数零穿越来寻找边界，通常是Laplacian过零点或者非线性差分表示的过零点。人类视觉系统认识目标的过程分为两步:首先，把图像边缘与背景分离出来;然后，才能知觉到图像的细节，辨认出图像的轮廓。计算机视觉正是模仿人类视觉的这个过程。因此在检测物体边缘时，先对其轮廓点进行粗略检测，然后通过链接规则把原来检测到的轮廓点连接起来，同时也检测和连接遗漏的边界点及去除虚假的边界点。图像的边缘是图像的重要特征，是计算机视觉、模式识别等的基础，因此边缘检测是图象处理中一个重要的环节。然而，边缘检测又是图象处理中的一个难题，由于实际景物图像的边缘往往是各种类型的边缘及它们模糊化后结果的组合，且实际图像信号存在着噪声。噪声和边缘都属于高频信号，很难用频带做取舍。这就需要边缘检测来进行解决的问题了。边缘检测的基本方法有很多，一阶的有Roberts Cross算子，Prewitt算子，Sobel算子，Canny算子， Krisch算子，罗盘算子；而二阶的还有Marr-Hildreth，在梯度方向的二阶导数过零点。现在就来简单介绍一下各种算子的算法

HALCON中filter函数

HALCON算子函数——Chapter 5 : Filter 5.1 Arithmetic 1. abs_image 功能：计算一个图像的绝对值（模数）。 2. add_image 功能：使两个图像相加。 3. div_image 功能：使两个图像相除。 4. invert_image 功能：使一个图像反像。 5. max_image 功能：按像素计算两个图像的最大值。 6. min_image 功能：按像素计算两个图像的最大小值。 7. mult_image 功能：使两个图像相乘。 8. scale_image 功能：为一个图像的灰度值分级。 9. sqrt_image 功能：计算一个图像的平方根。 10. sub_image 功能：使两个图像相减。 5.2 Bit 1. bit_and 功能：输入图像的所有像素的逐位与。 2. bit_lshift 功能：图像的所有像素的左移。3 . bit_mask 功能：使用位掩码的每个像素的逻辑与。 4. bit_not 功能：对像素的所有位求补。 5. bit_or 功能：输入图像的所有像素的逐位或。 6. bit_rshift 功能：图像的所有像素的右移。 7. bit_slice 功能：从像素中提取一位。 8. bit_xor 功能：输入图像的所有像素的逐位异或。5.3 Color

1. cfa_to_rgb 功能：把一个单通道颜色滤波阵列图像变成RGB图像。 2. gen_principal_comp_trans 功能：计算多通道图像的主要部分分析的转换矩阵。 3. linear_trans_color 功能：计算多通道图像的颜色值的一个仿射转换。 4. principal_comp 功能：计算多通道图像的主要部分。 5. rgb1_to_gray 功能：把一个RGB图像转变成一个灰度图像。 6. rgb3_to_gray 功能：把一个RGB图像转变成一个灰度图像。 7. trans_from_rgb 功能：把一个图像从RGB颜色空间转变成任意颜色空间。 8. trans_to_rgb 功能：把一个图像从任意颜色空间转变成RGB颜色空间。 5.4 Edges 1.close_edges 功能：使用边缘幅值图像消除边缘缺陷。 2. close_edges_length 功能：使用边缘幅值图像消除边缘缺陷。 3. derivate_gauss 功能：用高斯派生物对一个图像卷积。 4. diff_of_gauss 功能：近似高斯的拉普拉斯算子。 5. edges_color 功能：使用Canny、Deriche或者_Shen_滤波器提取颜色边缘。 6. edges_color_sub_pix 功能：使用Canny、Deriche或者_Shen_滤波器提取子像素精确颜色边缘。 7. edges_image 功能：使用Deriche、_Lanser、Shen或者_Canny滤

halcon常用算法

1、read_image (Image, 'F:/image/001.bmp') 读入图像 2、threshold (Image, region, 100, 200) 阈值分割，获取区域 3、dev_close_window() 关闭当前图形窗口 4、dev_open_window (0, 0, 640, 480, 'black', WindowHandle) 打开一个新的图像窗口 5、decompose3 (Image, Red, Green, Blue) 三通道图像转换成三幅单通道图像 5.5、compose3(Red, Green, Blue, Image) 三幅单通道图像组合为三通道图像 6、connection (Region, ConnectedRegions) 将像素有相连的区域合并成一个元素element 7、count_obj(ConnectedRegions, Number) 计算元素element的个数 8、select_shape(Regions, SelectedRegions, Features, Operation, Min, Max) select_shape (ConnectedRegions,SelectedRegions,['area','anisometry'], 'and', [500,1.0], [50000,1 .7]) 连通域形状的选择 circularity：表示环状；充实度 roundness：圆度 9、dev_set_color('red') 设定输出的颜色 10、dev_set_draw ('margin') 或者 dev_set_draw ('fill') 确定区域填充模式 11、get_image_size (Image, Width, Height) 得到图像的宽度和高度 12、get_image_pointer1 (Image_slanted, Pointer, Type, Width, Height) 设定Pointer指向Image_slanted的起点位置。 13、dev_set_part (0, 0, Height-1, Width-1) 设定图像需要显示的范围 14、dev_display (Image_slanted) 显示图像 15、disp_continue_message(WindowHandle, 'blue', 'false') 等待用户操作是否继续stop () 16、projective_trans_image (Image_slanted, Image_rectified, HomMat2D, 'bilinear', 'false', 'false') 将投影变换应用于一幅图像中。 17、dev_set_line_width (5) 为区域轮廓线设定线宽 18、disp_message (WindowHandle, 'Decoded string: ', 'window', -1, -1, 'black', 'true') 程序写一个文本信息 19、union_collinear_contours_xld 合并在同一直线的XLD union_cocircular_contours_xld 合并在同圆的XLD union_adjacent_contours_xld 合并邻近的XLD 20、fit_line_contour_xld 拟合直线 21、trans_from_rgb(Rimage,Gimage,Bimage,Image1,Image2,Image3,'hsv') rgb颜色空间图像转换到hsv颜色空间图像 22、trans_to_rgb(Image1,Image2,Image3,ImageRed,ImageGreen,ImageBlue,'hsv') hsv颜色空间图像转换到rgb颜色空间图像 23、set_display_font (WindowID, 20, 'mono', 'true', 'false') 设置字体（bottle.hdev） 24、fill_up_shape (RawSegmentation, RemovedNoise, 'area', 1, 5) 根据给定的形状特征填补区域中的不足 25、opening_circle (RemovedNoise, ThickStructures, 2.5) 以半径为2.5像素先腐蚀再膨胀，开运算去除小区域。 26、fill_up (ThickStructures, Solid) 填补区域中的空洞 27、intersection (ConnectedPatterns, ThickStructures, NumberCandidates) 求两个区域的交集然后输出，求ConnectedPatterns区域和ThickStructures 区域的交集，输出 NumberCandidates 28、dev_set_shape ('rectangle1') 设置外接矩形 29、distance_lr (SelectedRegions, Row1, Col1, Row2, Col2, DistanceMin, DistanceMax) 计算直线和区域之间的距离，出现最小距离和最大距离 30、disp_line (WindowID, Row1, Col+100, Row2, Col) 绘制直线段（ Col+100, Row1）为起点，（Col, Row2）为终点

图像处理之四种边缘检测算子比较

数字图像处理第三次作业 SpadesQ, Sun Yat-sen University 2017/4/27 1.边缘检测边缘一般是指图像在某一局部强度剧烈变化的区域。强度变化一般有两种情况： ●阶跃变化 ●屋顶变化边缘检测的任务：找到具有阶跃变化或者屋顶变化的像素点的集合。边缘检测基本原理：既然边缘是灰度变化最剧烈的位置，最直观的想法就是求微分。对于第一种情况：一阶微分的峰值为边缘点，二阶微分的零点为边缘点。对于第二种情况：一阶微分的零点为边缘点，二阶微分的峰值为边缘点。

2.matlab内置函数

分析：通过对Roberts，Sobel，Prewitt，Log和Canny进行MATLAB 仿真实验对比，结果表明，Sobel，Prewitt和Roberts算子的算法简单，但检测精度不高，Log和Canny算子的算法复杂，但检测精度较高。在应用中应根据实际情况选择不同的算子。

3.四种算子对比分析 3.1 Sobel算子 Sobel算子在边缘检测算子扩大了其模版，在边缘检测的同时尽量削弱了噪声。其模版大小为3×3，其将方向差分运算与局部加权平均相结合来提取边缘。在求取图像梯度之前，先进行加权平均，然后进行微分，加强了对噪声的一致。Sobel 算子所对应的卷积模版为：图像中的每个像素点和以上水平和垂直两个卷积算子做卷积运算后，再计算得到梯度幅值G ( x,y)，然后选取适当的阈值τ，若G ( x,y)>τ，则(i ,j)为边缘点，否则，判断(i,j)为非边缘点。由此得到一个二值图像{ g (i,j)}，即边缘图像。Sobel 算子在空间上比较容易实现，不但产生较好的边缘检测效果，同时，由于其引入了局部平均，使其受噪声的影响也较小。若使用较大的邻域，抗噪性会更好，但也增加了计算量，并且得到的边缘比较粗。在对精度要求不是很高的场合下，

HALCON 算子函数整理 1-19章

halcon算子中文解释 comment ( : : Comment : ) 注释语句 exit ( : : : ) 退出函数 open_file ( : : FileName, FileType : FileHandle ) 创建（'output' or 'append' ）或者打开（output ）文本文件 fwrite_string ( : : FileHandle, String : ) 写入string dev_close_window ( : : : ) 关闭活跃的图形窗口。 read_image ( : Image : FileName : ) ；加载图片 get_image_pointer1 ( Image : : : Pointer, Type, Width, Height ) 获得图像的数据。如：类型(= ' 字节',' ' ',uint2 int2 等等) 和图像的尺寸( 的宽度和高度) dev_open_window( : :Row,Column,WidthHeight,Background :WindowHandle ) 打开一个图形的窗口。 dev_set_part ( : : Row1, Column1, Row2, Column2 : ) 修改图像显示的位置 dev_set_draw (’fill’)填满选择的区域 dev_set_draw (’margin’)显示的对象只有边缘线， dev_set_line_width (3) 线宽用Line Width 指定 threshold ( Image : Region : MinGray, MaxGray : ) 选取从输入图像灰度值的g 满足下列条件:MinGray < = g < = MaxGray 的像素。 dev_set_colored (number) 显示region 是用到的颜色数目 dev_set_color ( : : ColorName : ) 指定颜色 connection ( Region : ConnectedRegions : : ) 合并所有选定像素触摸相互连通区 fill_up ( Region : RegionFillUp : : ) 填补选择区域中空洞的部分 fill_up_shape ( Region : RegionFillUp : Feature, Min, Max : ) select_shape ( Regions : SelectedRegions : Features, Operation, Min, Max : ) 选择带有某些特征的区域，Operation 是运算，如“与”“或” smallest_rectangle1 ( Regions : : : Row1, Column1, Row2, Column2 ) 以矩形像素坐标的角落,Column1,Row2(Row1,Column2) 计算矩形区域( 平行输入坐标轴) 。 dev_display ( Object : : : ) 显示图片 disp_rectangle1 ( : : WindowHandle, Row1, Column1, Row2, Column2 : ) 显示的矩形排列成的。disp_rectangle1 显示一个或多个矩形窗口的产量。描述一个矩形左上角(Row1,Column1) 和右下角(Row2,Column2) 。显示效果如图1. texture_laws ( Image : ImageT exture : FilterTypes, Shift, FilterSize : ) texture_laws 实行纹理变换图像FilterTypes: 预置的过滤器Shift ：减少灰度变化FilterSize ：过滤的尺寸 mean_image ( Image : ImageMean : MaskWidth, MaskHeight : ) 平滑图像, 原始灰度值的平均数MaskWidth: 过滤器的宽度面具 bin_threshold ( Image : Region : : ) 自动确定阈值 Region: 黑暗的区域的图像 dyn_threshold ( OrigImage, ThresholdImage : RegionDynThresh : Offset, LightDark : ) 比较两个像素的图像像素RegionDynThresh(Out) 分割区域Offset: 减少噪音引起的问题LightDark 提取光明、黑暗或类似的地方? dilation_circle ( Region : RegionDilation : Radius : ) 扩张有一个圆形结构元素的地区Radius 圆半径 complement ( Region : RegionComplement : : ) 返还补充的区域 reduce_domain ( Image, Region : ImageReduced : : ) 减少定义领域的图像

几种边缘检测算子比较

常用的检测算子有： (1)微分算子 (2)拉普拉斯高斯算子 (3)canny算子微分算子 Sobel算子， Robert算子，prewitt算子比较 Sobel算子是滤波算子的形式来提取边缘。X，Y方向各用一个模板，两个模板组合起来构成1个梯度算子。X方向模板对垂直边缘影响最大，Y方向模板对水平边缘影响最大。 Robert算子是一种梯度算子，它用交叉的差分表示梯度，是一种利用局部差分算子寻找边缘的算子，对具有陡峭的低噪声的图像效果最好。 prewitt算子是加权平均算子，对噪声有抑制作用，但是像素平均相当于对图像进行地同滤波，所以prewitt算子对边缘的定位不如robert算子。源程序： i=imread('tanke.jpg'); i2=im2double(i); ihd=rgb2gray(i2); [thr,sorh,keepapp]=ddencmp('den','wv',ihd); ixc=wdencmp('gbl',ihd,'sym4',2,thr,sorh,keepapp); figure,imshow(ixc),title('消噪后图像'); k2=medfilt2(ixc,[7 7]); figure,imshow(k2),title('中值滤波'); isuo=imresize(k2,0.25,'bicubic'); %sobert、robert和prewitt算子检测图像边缘 esobel=edge(isuo,'sobel'); erob=edge(isuo,'roberts'); eprew=edge(isuo,'prewitt'); subplot(2,2,1); imshow(isuo);title('前期处理图像'); subplot(2,2,2); imshow(esobel);title('sobel算子提取'); subplot(2,2,3); imshow(erob);title('roberts算子提取'); subplot(2,2,4);

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

HALCON 算子函数

HALCON 算子函数（十二） HALCON 算子函数——Chapter 12 : OCR 12.1 Hyperboxes 1. close all ocrs功能：删除所有光字符，释放存储空间，但会丢失所有的测试数据。 2. close ocr_功能：重新分配拥有OcrHandle数目的分级器的存储，但所有相应的数据会丢失，不过这些数据可由write ocr事先保存。 3. create ocr class box功能：创建新的OCR分级器。 4. do ocr multi功能：给每一个Character（字符）分配一个类。 5. do ocr single功能：给一些Character（字符）分配一些类。 6. info ocr class box功能：反馈ocr的有关信息。 7. ocr change char功能：为字符建立新的查阅表。 8. ocr get features功能：计算给定Character（字符）的特征参数。 9. read ocr功能：从文件的FileName（文件名）读取OCR分级器。 10. testd ocr class box功能：测试给定类中字符的置信度。 11. traind ocr class box功能：通过一幅图像的特定区域直接测试分级器。 12. trainf ocr class box功能：根据指定测试文件测试分级器的OCRHandle。 13. write ocr功能：将OCR分级器的OCRHandle写入文件的FileName（文件名）。 12.2 Lexica 1.clear_all_lexica功能：清除所有的词汇（词典），释放它们的资源。 2. clear lexicon功能：清除一个词汇（词典），释放相应的资源。 3. create lexicon功能：根据一些Words(单词)的元组创建一个新的词汇（词典）。4．Import lexicon功能：通过FileName(文件名)选定的文件中的一系列单词创建一个新

halcon算子及其用途

Halcon算子及其用途 HALCON算子函数——Chapter 11 : Morphology（形态学） 11.1 Gray-Values 1. dual_rank 功能：打开、取中值和关闭圆和矩形掩码。 2. gen_disc_se 功能：为灰度形态学生成椭圆结构基础。 3. gray_bothat 功能：执行一个图像的一个灰度值bottom_hat变换（原图像和它的闭之间的差）。 4. gray_closing 功能：关闭一个图像的一个灰度值。 5. gray_closing_rect 功能：关闭带矩形掩码的灰度值。 6. gray_cl_osing_shape 功能：关闭带选择掩码的灰度值。 7. gray_dilation 功能：扩大一个图像上的灰度值。 8. gray_dilation_rect 功能：确定一个矩形的最小灰度值。 9. gray_dilation_shape 功能：确定一个选择的掩码的最大灰度值。 10. gray_erosion 功能：腐蚀一个图像的灰度值。 11. gray_erosion_rect 功能：确定一个矩形的最小灰度值。 12. gray_erosion_shape 功能：确定一个选择的掩码的最小灰度值。 13. gray_opening 功能：打开一个图像的灰度值。

14. gray_opening_rect 功能：打开一个矩形掩码的灰度值。 15. gray_openin_g_shape 功能：打开一个选择的掩码的灰度值。 16. gray_range_rect 功能：确定一个矩形的灰度值范围。 17. gray_tophat 功能：执行一个图像的一个灰度值top_hat变换（原图像和它的开之间的差）。 18. read_gray_se 功能：为灰度形态学下载一个结构基础。 11.2 Region 1. bottom_hat 功能：计算区域的bottom_hat（原图像和它的闭之间的差）。 2. boundary 功能：把一个区域减小到它的边界。 3. closing 功能：关闭一个区域。 4. closing_circle 功能：关闭一个圆形结构基础的一个区域。 5. closing_golay 功能：关闭格雷字母表中的元素的一个区域。 6. closing_rectangle1 功能：关闭一个矩形结构基础的一个区域。 7. dilation1 功能：扩大一个区域。 8. dilation2 功能：扩大一个区域（使用一个参考点）。 9. dilation_circle 功能：扩大一个圆形结构基础的一个区域。

图像处理中各种边缘检测的微分算子简单比较(Sobel,Robert, Prewitt,Laplacian,Canny)

图像处理中各种边缘检测的微分算子简单比较(Sobel，Robert，Prewitt，Laplacian，Canny) 收藏 https://www.360docs.net/doc/ac6988709.html,/user1/44205/archives/2008/23882.html 不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位； Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts 边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。 Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。 Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。 Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的。各向同性Sobel算子和