Halcon中模板匹配方法的总结归纳
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。
halcon模板匹配讲解
在HALCON中，模板匹配是一种常见的方法，用于在一幅图像中查找与给定模板最匹配的区域。
这种方法可以用于目标检测、图像分割、模式识别等应用。
在HALCON中，模板匹配主要通过使用`find_template`函数来实现。
该函数用于在一幅图像中查找与给定模板最匹配的区域，并返回匹配区域的坐标、大小和旋转角度等参数。
在使用`find_template`函数进行模板匹配时，需要提供以下参数：
1. 输入图像：要进行匹配的图像。
2. 模板图像：用于匹配的模板图像。
3. 搜索区域：在输入图像中搜索模板的区域，通常可以指定一个矩形区域或者整个图像。
4. 匹配参数：用于控制匹配算法的参数，例如相似性度量、搜索策略等。
在HALCON中，还可以使用`create_template`函数来创建模板图像，以便后续使用。
该函数可以根据给定的图像和参数来生成模板，并返回模板的句柄。
此外，为了提高匹配的准确性和效率，还可以使用一些优化技术，
例如使用多级金字塔、使用滤波器进行预处理、使用约束条件等。
总之，HALCON中的模板匹配是一种强大的工具，可以用于各种图像处理任务。
通过正确地选择和使用匹配算法和参数，可以获得准确和高效的匹配结果。
halcon基于边缘的模板匹配算法
文章主题：Halcon基于边缘的模板匹配算法探析一、引言在机器视觉领域，模板匹配是一种常用的图像处理方法，用于在一幅图像中寻找特定的模式或对象。
而Halcon作为一款智能视觉软件库，其基于边缘的模板匹配算法备受关注。
本文将就Halcon基于边缘的模板匹配算法进行深入探讨，以帮助读者更全面地理解这一主题。
二、Halcon基于边缘的模板匹配算法概述Halcon基于边缘的模板匹配算法是一种高级的模式识别技术，它通过检测图像中的边缘信息，并利用这些边缘特征进行模式匹配。
该算法主要包括边缘提取、模板生成和匹配验证三个步骤。
1. 边缘提取在Halcon中，边缘提取是通过边缘检测滤波器进行的。
常用的边缘检测算子包括Sobel、Prewitt和Canny等。
通过这些算子可以将图像中的边缘特征提取出来，形成边缘模型。
2. 模板生成在模板生成阶段，Halcon会通过提取的边缘信息来生成待匹配的模板。
模板的生成需要考虑到图像的尺度、旋转、光照等因素，以保证模板的鲁棒性和准确性。
3. 匹配验证匹配验证是模板匹配算法的核心步骤，Halcon基于边缘的模板匹配算法通过对图像进行模板匹配，并对匹配结果进行验证和优化，以确保匹配的准确性和稳定性。
三、Halcon基于边缘的模板匹配算法的特点相比于传统的模板匹配算法，Halcon基于边缘的模板匹配算法具有以下几点突出特点：1. 鲁棒性强由于边缘特征包含了物体的轮廓和形状等重要信息，因此Halcon基于边缘的模板匹配算法对光照、变形等因素的鲁棒性较强，能够更准确地匹配目标对象。
2. 适用性广Halcon基于边缘的模板匹配算法不受物体颜色、纹理等因素的影响，因此适用于各种场景和对象的匹配识别，具有较强的通用性和适用性。
3. 计算速度快由于边缘特征的提取和匹配计算相对简单，Halcon基于边缘的模板匹配算法在计算速度上具有一定的优势，能够实现实时性要求较高的应用场景。
四、个人观点与总结在我看来，Halcon基于边缘的模板匹配算法在实际应用中具有广泛的前景。
基于HALCON的模板匹配方法总结
基于HALCON的模板匹配方法总结分类：halcon学习2013-06-26 16:02 47人阅读评论(0) 收藏举报halcon形状匹配算法德国MVTec公司开发的HALCON机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。
HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-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。
这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。
这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也做了基于形状匹配的物体识别，基于形状匹配的视频对象分割和基于形状匹配的视频对象跟踪这些研究，从中取得较好的效果，简化了用其他工具，比如VC++来开发的过程。
在VC下往往针对不同的图像格式，就会弄的很头疼，更不用说编写图像特征提取、模板建立和搜寻模板的代码呢，我想其中间过程会很复杂，效果也不一定会显著。
下面我就具体地谈谈基于HALCON的形状匹配算法的研究和心得总结。
1. Shape-Based matching的基本流程HALCON提供的基于形状匹配的算法主要是针对感兴趣的小区域来建立模板，对整个图像建立模板也可以，但这样除非是对象在整个图像中所占比例很大，比如像视频会议中人体上半身这样的图像，我在后面的视频对象跟踪实验中就是针对整个图像的，这往往也是要牺牲匹配速度的，这个后面再讲。
基本流程是这样的，如下所示：⑴首先确定出ROI的矩形区域，这里只需要确定矩形的左上点和右下点的坐标即可，gen_rectangle1()这个函数就会帮助你生成一个矩形，利用area_center()找到这个矩形的中心；⑵然后需要从图像中获取这个矩形区域的图像，reduce_domain()会得到这个ROI；这之后就可以对这个矩形建立模板，而在建立模板之前，可以先对这个区域进行一些处理，方便以后的建模，比如阈值分割，数学形态学的一些处理等等；⑶接下来就可以利用create_shape_model()来创建模板了，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。
halcon 模板匹配结果按列排序算子
halcon 模板匹配结果按列排序算子
在HALCON中，可以使用算子`affine_trans_contour_xld`对模板匹配结果进行按列排序。
该算子的函数原型为`affine_trans_contour_xld(Contours : ContoursAffineTrans : HomMat2D : )`，其中`Contours`为输入的XLD轮廓，`ContoursAffineTrans`为转换后的XLD轮廓，`HomMat2D`为输入的转换矩阵。
仿射变换由`HomMat2D`中给出的齐次变换矩阵来描述，该矩阵可以使用`hom_mat2d_identity`、`hom_mat2d_scale`、`hom_mat2d_rotate`、`hom_mat2d_translate`等运算符创建，也可以是`vector_angle_to_rigid`等运算符的结果。
齐次变换矩阵的组成部分解释如下：图像的行坐标对应于定义变换矩阵的坐标系的x，列坐标对应于定义变换矩阵的坐标系的y。
这对于获得图像的右手坐标系是必要的。
特别是，这样可以确保在正确的方向上执行旋转。
注意，矩阵的（x，y）顺序与图像中坐标的通常（行、列）顺序相对应。
通过使用`affine_trans_contour_xld`算子，可以将任意仿射2D变换（如缩放、旋转、平移和倾斜）应用于轮廓中给定的XLD轮廓，并返回变换后的轮廓。
这样，就可以根据需要对模板匹配结果进行按列排序。
halcon——缺陷检测常用方法总结（模板匹配（定位）+差分）
halcon——缺陷检测常⽤⽅法总结（模板匹配（定位）+差分）引⾔机器视觉中缺陷检测分为⼀下⼏种：blob分析+特征模板匹配（定位）+差分光度⽴体：特征训练测量拟合频域+空间域结合：深度学习本篇主要总结⼀下缺陷检测中的定位+差分的⽅法。
即⽤形状匹配，局部变形匹配去定位然后⽤差异模型去检测缺陷。
模板匹配（定位）+差分整体思路（形状匹配）：1. 先定位模板区域后，求得模板区域的坐标，创建物品的形状模板create_shape_model，注意把模板的旋转⾓度改为rad(0)和rad(360)。
2. 匹配模板find_shape_model时，由于物品的缺陷使形状有局部的改变，所以要把MinScore设置⼩⼀点，否则匹配不到模板。
并求得匹配项的坐标。
3. 关键的⼀步，将模板区域仿射变换到匹配成功的区域。
由于差集运算是在相同的区域内作⽤的，所以必须把模板区域转换到匹配项的区域。
4. 之后求差集，根据差集部分的⾯积判断该物品是否有缺陷。
模板匹配（定位）+差分的⽅法主要⽤来检测物品损坏，凸起，破洞，缺失，以及质量检测等。
halcon例程分析：1，印刷质量缺陷检测（print_check.hdev）该例程⽤到了差异模型，将⼀个或多个图像同⼀个理想图像做对⽐，去找到明显的不同。
进⽽鉴定出有缺陷的物体。
差异模型的优势是可以直接通过它们的灰度值做⽐较，并且通过差异图像，⽐较可以被空间地加权。
变化模型检测缺陷的整体思路：1. create_variation_model —— 创建⼀个差异模型2. get_variation_model —— 获得差异模型3. train_variation_model —— 训练差异模型4. prepare_variation_model —— 准备差异模型5. compare_variation_model —— ⽐较模型与实例6. clear_variation_model —— 清除差异模型dev_update_off ()* 选择第1张图像创建形状模板read_image (Image, 'pen/pen-01')get_image_size (Image, Width, Height)dev_close_window ()dev_open_window (0, 0, Width, Height, 'black', WindowHandle)set_display_font (WindowHandle, 16, 'mono', 'true', 'false')dev_set_color ('red')dev_display (Image)* 把我感兴趣的区域抠出来，原则上范围越⼩越好，因为这样创建模板时⼲扰会少很多threshold (Image, Region, 100, 255)fill_up (Region, RegionFillUp)difference (RegionFillUp, Region, RegionDifference)shape_trans (RegionDifference, RegionTrans, 'convex')dilation_circle (RegionTrans, RegionDilation, 8.5)reduce_domain (Image, RegionDilation, ImageReduced)inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)gen_contours_skeleton_xld (ModelRegions, Model, 1, 'filter')* 获得抠图区域的中⼼，这是参考点area_center (RegionDilation, Area, RowRef, ColumnRef)* 创建形状模板create_shape_model (ImageReduced, 5, rad(-10), rad(20), 'auto', 'none', 'use_polarity', 20, 10, ShapeModelID)* 创建变化模型（⽤于和缺陷⽐较）create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)* ⽂件夹中前15张图⽚是质量良好的，可以⽤来训练模板for I := 1 to 15 by 1read_image (Image, 'pen/pen-' + I$'02d')* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)if (|Score| == 1)if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 训练差异模型train_variation_model (ImageTrans, VariationModelID)dev_display (ImageTrans)dev_display (Model)endifendfor* 获得差异模型get_variation_model (MeanImage, VarImage, VariationModelID)* 做检测之前可以先⽤下⾯这个算⼦对可变模型进⾏设参,这是⼀个经验值,需要调试者调整prepare_variation_model (VariationModelID, 20, 3)dev_set_draw ('margin')NumImages := 30* 可变模板训练完成后，我们终于可以进⼊主题，马上对所有图像进⾏缺陷检测，思想就是差分for I := 1 to 30 by 1read_image (Image, 'pen/pen-' + I$'02d')* 要注意做差分的两幅图像分辨率相同，当然也需要通过仿射变换把待检测的图像转到与模板图像重合* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score) if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 抠图reduce_domain (ImageTrans, RegionDilation, ImageReduced)* 差分（就是检查两幅图像相减，剩下的区域就是不同的地⽅了，与模板图像不同的地⽅就是缺陷）*这⾥可不能⽤difference做差分啊，halcon为变形模板提供了专门的差分算⼦：compare_variation_modelcompare_variation_model (ImageReduced, RegionDiff, VariationModelID)connection (RegionDiff, ConnectedRegions)* 特征选择：⽤⼀些特征来判断这幅图像印刷是否有缺陷，这⾥使⽤⾯积* 其实可以考虑利⽤区域⾯积的⼤⼩来判断缺陷的严重程度，这⾥就不过多讨论了select_shape (ConnectedRegions, RegionsError, 'area', 'and', 20, 1000000)count_obj (RegionsError, NumError)dev_clear_window ()dev_display (ImageTrans)dev_set_color ('red')dev_display (RegionsError)set_tposition (WindowHandle, 20, 20)if (NumError == 0)dev_set_color ('green')write_string (WindowHandle, 'Clip OK')elsedev_set_color ('red')write_string (WindowHandle, 'Clip not OK')endifendifif (I < NumImages)disp_continue_message (WindowHandle, 'black', 'true')stop ()endifendfor* 结语：如果发现前⾯作为训练变形模板的良好图像也被判定为NG，* 可以调整prepare_variation_model参数* 或者调整select_shape特征筛选的标准相关算⼦分析:create_variation_model（创建⼀个差异模型）create_variation_model(Width, Height, Type, Mode ,ModelID)//创建⼀个ID为ModelID，宽为Width,⾼为Height,类型为Type的差异模型参数参数Mode决定了创建标准图像和相应的变化图像的⽅法。
halcon模板总结-笔记
• 创建模板 ○ 使用create_shape_model算子 ○ create_shape_model (ImageReduced, 'auto', 0, rad(360), 'auto', 'none',
制作模板
2020-04-15 9:27
• 读取图片
○ 使用read_image算子 ○ read_image(InputImage,'./屏幕切割/y1.png')
• RGB转灰度图像
○ 使用rgb1_to_gray算子 ○ rgb1_to_gray (InputImage, GrayImage)
• 画矩形
○ write_shape_model (ModelID, halconModelName) • 在图像中找到形状模型的最佳匹配
○ find_shape_model (ImageReduced, ModelID, 0, rad(360), 0.5, 1, 0.5, 'least_squares',
0, 0.9, ModelRow, ModelColumn, Angle, Score)
• 把参数保存起来并关闭模板
○ write_tuple (Xtuple, 'Xtuple.tup') ○ clear_shape_model (ModelID)
• 总结 ○ 读取图片后利用RGB转灰度获得单通道图片 ○ 画个0度矩形来分割图片 ○ 把分割出来的图片做成模板保存起来 ○ 利用find_shape_model这个算子来进行形状匹配 ○ 重新画0度矩形来定位模板 ○ 获得模板的中心坐标、角度、长宽，并计算出两者的偏移量 ○ 保存参数
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。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Halcon中模板匹配方法的总结归纳
基于组件的模板匹配：
应用场合：组件匹配是形状匹配的扩展，但不支持大小缩放匹配，一般用于多个对象（工件）定位的场合。
算法步骤：
1.获取组件模型里的初始控件gen_initial_components()
参数：
ModelImage [Input] 初始组件的图片
InitialComponents [Output] 初始组件的轮廓区域
ContrastLow [Input] 对比度下限
ContrastHigh [Input] 对比度上限
MinSize [Input] 初始组件的最小尺寸
Mode[Input] 自动分段的类型
GenericName [Input] 可选控制参数的名称
GenericValue [Input] 可选控制参数的值
2.根据图像模型，初始组件，训练图片来训练组件和组件相互关系train_model_components()
3.创建组件模型create_trained_component_model()
4.寻找组件模型find_component_model()
5.释放组件模型clear_component_model()
基于形状的模板匹配：
应用场合：定位对象内部的灰度值可以有变化，但对象轮廓一定要清晰平滑。
1.创建形状模型：create_shape_model()
2.寻找形状模型：find_shpae_model()
3.释放形状模型：clear_shape_model()
基于灰度的模板匹配：
应用场合：定位对象内部的灰度值没有大的变化，没有缺失部分，没有干扰图像和噪声的场合。
1.创建模板：create_template()
2.寻找模板：best_match()
3.释放模板：clear_template()
基于互相关匹配：
应用场合：搜索对象有轻微的变形，大量的纹理，图像模糊等场合，速度快，精度低。
1.创建模板：create_ncc_model()
2.寻找模板：find_ncc_model()
3.释放模板：clear_ncc_model()
基于变形匹配：
应用场合：搜索对象有轻微的变形。
1.创建模板：create_local_deformable_model()
2.寻找模板：find_local_deformable_model()
3.释放模板：clear_deformable_model()
基于描述匹配：
应用场合：搜索对象有轻微的变形，透视的场合，根据一些描述点的位置和灰度值来进行匹配。
1.创建模板：create_calib_descriptor_model()
2.寻找模板：find_calib_descriptor_model()
3.释放模板：clear_descriptor_model()。