halcon定位学习基于形状的匹配
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定位学习基于形状的匹配
h a l c o n定位学习基于形状的匹配IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】1、基于形状的匹配1>创建ROI?使用Halcon算子可以方便的设置ROI?标准形状?◆draw_rectangle1/2◆draw_circle◆draw_ellipse◆draw_line任意形状?◆draw_region◆draw_polygon生成标准ROI?◆gen_rectangle1/2◆gen_circle◆gen_ellipse◆gen_region_line通过XLD创建AOI?◆gen_region_contour_xld◆gen_region_polygon_xld2>生成ROI根据创建模板时得到的数据，生成ROI区域，例如gen_rectangle2(ROI,Row,Column,Phi,Length1,Length2)3>修正ROI修正函数?◆erosion_*减小ROI?◆dilation_*扩大ROI?◆shape_trans形状转换?◆boundary像素级边界?◆move_region移动区域到新位置?组合?◆Intersection交集?◆Difference差集?◆Union2并集4>直接创建模板create_shape_model(Template,参数Optimization一些模板包含了太多像素点，这导致◆模板过大?◆增加执行时间?◆增加了内存需求?参数Optimization用来减少这些点?◆none不减少像素?◆point_reduction_low大约一半点?◆point_reduction_medium大约1/3?◆point_reduction_high大约1/4?减少点可能导致的问题?◆可能导致无法创建高层金字塔?◆有可能会降低结果的精度和准确度原则?◆边缘较多时才减少?相同环境下，Optimization取值不同时的运行时间对比?◆◆◆◆参数-MinContrast参数MinContrast是在查找模板的时候，来减少“有害”边缘的。
halcon形状匹配用圆匹配一半圆的案例
形状匹配是计算机视觉领域中的一个重要技术，它可以用于在图像中找到特定形状的目标，并且可以在不同尺度和旋转角度下自适应地进行匹配。
Halcon作为一种常用的计算机视觉软件评台，也提供了形状匹配的功能。
在实际应用中，形状匹配的需求是多种多样的，本文将针对一种特殊的案例进行讨论，即使用圆去匹配一半圆的情况。
1. 背景在工业生产中，常常会遇到需要检测或定位产品中的零部件或特定形状的需求。
其中，一种常见的情况是需要检测或定位圆形零件的一半圆形。
具体地说，我们需要在图像中找到一个半圆形的目标，并且得出它的位置和角度信息。
2. 常规方法在Halcon中，进行形状匹配通常使用find_shape_model和find_scaled_shape_model等函数。
这些函数可以通过预先建立的模板图像来寻找目标图像中的匹配对象，并且可以进行多尺度、角度的自适应匹配。
然而，针对半圆形的匹配通常会有一定的挑战，因为传统的形状模板可能不够精确地描述半圆形的特征。
3. 圆匹配一半圆的方案针对这一问题，我们提出了一种新的方案，即使用圆形模板去匹配半圆形目标。
具体地，我们首先根据半圆形目标的特点，构建一个圆形模板。
在进行形状匹配时，我们可以通过调整匹配的分数阈值和最小匹配数量来筛选出符合要求的半圆形目标。
4. 实验结果我们进行了一系列的实验来验证这一方案的可行性。
实验中，我们选取了多幅包含半圆形目标的图像，并分别采用了传统的半圆形模板和我们提出的圆形模板进行形状匹配。
实验结果表明，我们提出的方案不仅可以有效地检测出半圆形目标，而且对目标的尺度和角度变化具有很好的适应性。
5. 结论我们提出了一种新的方案，即使用圆形模板去匹配半圆形目标。
通过一系列的实验验证，我们证明了这一方案的可行性和有效性。
这一方案不仅可以满足工业生产中对半圆形目标的检测和定位需求，而且还具有更好的泛化性和适应性。
在实际应用中，我们相信这一方案可以发挥重要作用，为工业生产带来更高效、更精准的形状匹配技术。
Halcon--基于形状的模板匹配
Halcon--基于形状的模板匹配基于形状的模板匹配--关于形状模板匹配的例程中【1】获取模板read_image (ModelImage, 'razors1')get_image_pointer1 (ModelImage, Pointer, Type, Width, Height)draw_rectangle1 (200000, Row1, Column1, Row2, Column2)dev_set_draw ('margin')disp_rectangle1 (200000, Row1, Column1, Row2, Column2)draw_rectangle1 (200000, Row11, Column11, Row21, Column21)disp_rectangle1 (200000, Row11, Column11, Row21, Column21)gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)gen_rectangle1 (Rectangle1, Row11, Column11, Row21, Column21)union2 (Rectangle, Rectangle1, RegionUnion)reduce_domain (ModelImage, RegionUnion, ImageReduced)此处的inspect_shape_model 未发现有什么作⽤，意义不明。
百度之后是说此算⼦对于检查模板的⾦字塔层数，NumLevels设置为⼏，显⽰就有⼏层，⼀般看第⼀层；Contast越⾼对轮廓的要求也越⾼，换⾔之轮廓数量也越少create_shape_model创建模板，参数如下：Template : : //reduce_domain后的模板图像NumLevels ,//⾦字塔的层数，可设为“auto”或0—10的整数AngleStart ,//模板旋转的起始⾓度AngleExtent ,//模板旋转⾓度范围, >=0AngleStep ,//旋转⾓度的步长， >=0 and <=pi/16Optimization ,//设置模板优化和模板创建⽅法Metric , //匹配⽅法设置Contrast ,//设置对⽐度MinContrast ://设置最⼩对⽐度ModelID ) //输出模板句柄inspect_shape_model (ImageReduced, ModelImages, ModelRegions,4, 30)create_shape_model (ImageReduced, 4, 0, 0, 'auto', 'none', 'use_polarity', 30, 10, ModelID)get_shape_model_contours (ModelContours, ModelID, 1)//获取模板轮廓【2】模板匹配find_shape_model( : : //搜索图像, //模板句柄, // 搜索时的起始⾓度, //搜索时的⾓度范围，必须与创建模板时的有交集, //最⼩匹配值，输出的匹配的得分Score ⼤于该值, //定义要输出的匹配的最⼤个数, //当找到的⽬标存在重叠时，且重叠⼤于该值时选择⼀个好的输出, //计算精度的设置，五种模式，多选2，3, //搜索时⾦字塔的层数: //贪婪度，搜索启发式，⼀般都设为0.9，越⾼速度快,容易出现找不到的情况, , , ) //输出匹配位置的⾏和列坐标、⾓度、得分。
halcon模板匹配之形状匹配法
halcon模板匹配之形状匹配法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模板匹配之形状匹配法
halcon模板匹配之形状匹配法Halcon是一种先进的图像处理软件，被广泛应用于计算机视觉领域。
在计算机视觉中，模板匹配是一种常用的方法，用于在一幅图像中寻找一个与给定模板形状相似的目标物体。
Halcon支持多种模板匹配方法，其中之一是形状匹配法。
形状匹配法是一种基于特征点的模板匹配方法。
它利用目标物体的形状信息进行匹配，而不是仅仅考虑灰度信息。
这种方法适用于目标物体的形状较为明显且不易受到光照等条件的影响。
在使用Halcon进行形状匹配之前，我们需要提前准备好模板图像和待匹配图像。
首先，我们需要选择一个与目标物体形状相似的模板图像作为参考。
然后，我们将待匹配图像加载到Halcon中，并在图像中提取出一系列的特征点。
Halcon中的形状匹配算法是基于特征点的，它会根据这些特征点的位置和几何特征来进行匹配。
在匹配过程中，Halcon会计算出每一个特征点在模板图像中的对应位置，并根据这些特征点的几何关系来确定匹配度。
形状匹配算法的核心是特征提取和特征匹配。
Halcon提供了多种特征提取函数，如角点检测、边缘检测等。
我们可以根据实际情况选择适合的特征提取函数。
特征匹配则是根据特征点的位置和几何关系来进行的。
Halcon中提供了一系列的匹配函数，如模板匹配、点对点匹配等。
形状匹配法的优点是对图像的光照变化、噪声等干扰具有较好的鲁棒性，可以获得较高的匹配准确度。
然而，该方法在目标物体形状复杂或存在遮挡时可能会出现匹配失败的情况。
因此，在实际应用中，我们需要考虑到目标物体的形状特征以及环境条件，并选择合适的匹配方法。
除了形状匹配法，Halcon还支持其他一些模板匹配方法，如基于灰度的模板匹配、基于形状的模板匹配等。
这些方法各有优劣，适用于不同的应用场景。
在实际工程中，我们可以根据需求选择最适合的模板匹配方法。
总之，Halcon的形状匹配法是一种常用的模板匹配方法，可以用于在一幅图像中寻找与给定模板形状相似的目标物体。
（转）基于形状匹配的Halcon算子create_shape_model
（转）基于形状匹配的Halcon算⼦create_shape_model 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编程-基于形状特征的模板匹配
Halcon编程-基于形状特征的模板匹配halcon软件最⾼效的⼀个⽅⾯在于模板匹配，号称可以快速进⾏柔性模板匹配，能够⾮常⽅便的⽤于缺陷检测、⽬标定位。
下⾯以⼀个简单的例⼦说明基于形状特征的模板匹配。
为了在右图中，定位图中的三个带旋转箭头的圆圈。
注意存在，位置、旋转和尺度变化。
上halcon程序1 * This example program shows how to find scaled and rotated shape models.2 dev_update_pc ('off')3 dev_update_window ('off')4 dev_update_var ('off')5 read_image (Image, 'green-dot')6 get_image_size (Image, Width, Height) 获取了图像⼤⼩7 dev_close_window ()8 dev_open_window (0, 0, Width, Height, 'black', WindowHandle)9 dev_set_color ('red')10 dev_display (Image)11 threshold (Image, Region, 0, 128) 对图像进⾏⼆值化12 connection (Region, ConnectedRegions) 区域⽣长得到连通域13 select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 10000, 20000) 通过⾯积进⾏筛选，得到⾥⾯的圆14 fill_up (SelectedRegions, RegionFillUp) 对圆进⾏填充15 dilation_circle (RegionFillUp, RegionDilation, 5.5) 对填充区域进⾏膨胀16 reduce_domain (Image, RegionDilation, ImageReduced) ROI操作得到imagereduced17 create_scaled_shape_model (ImageReduced, 5, rad(-45), rad(90), 'auto', 0.8, 1.0, 'auto', 'none', 'ignore_global_polarity', 40, 10, ModelID)//基于区域创建匹配模型，得到模型的ID modelID18 get_shape_model_contours (Model, ModelID, 1) 基于模型ID 得到模型的轮廓 model19 area_center (RegionFillUp, Area, RowRef, ColumnRef) 获得⾥⾯圆中⼼位置，相对于全图来说20 vector_angle_to_rigid (0, 0, 0, RowRef, ColumnRef, 0, HomMat2D) //vector_angle_to_rigid只需要⼀个点对及⼀个⾓度对即可计算刚性变换矩阵，所以可利⽤find_shape_model的结果//HomMat2D 通过顶点得到其变换矩阵21 affine_trans_contour_xld (Model, ModelTrans, HomMat2D) //对XLD轮廓(contour)进⾏⼀个任意⼆维仿射变换。
HALCON形状匹配总结
HALCON形状匹配总结HALCON（High-level Algorithm CONnectivity）形状匹配是一种基于几何特征的图像处理技术，用于在图像中检测和识别目标形状。
它可以在不考虑大小、旋转和平移的情况下，快速准确地匹配待识别目标的形状。
HALCON形状匹配的原理是将目标形状与样本形状进行比较，通过计算形状之间的相似度，确定目标形状与样本形状的匹配程度。
它的核心思想是将形状表示为一组关键点，然后将这些关键点与样本形状的关键点进行比对。
关键点是形状中的局部特征，可以通过诸如角点、交点、轮廓曲率等方式来提取。
1.预处理预处理是指对输入图像进行一系列的图像处理操作，以便提高形状匹配的准确性。
其中包括图像灰度化、二值化、滤波、边缘检测等操作。
这些操作可以减少图像中的噪声、增强目标的边缘特征。
2.关键点提取关键点提取是指通过一些特定的算法从目标形状中提取出关键点。
这些关键点通常是形状中的重要特征，如角点、交点、曲率极大值等。
关键点可以用于表示形状的局部特征，方便后续的形状匹配。
3.特征描述特征描述是指将关键点和它们的局部信息转化为一组表示形状特征的向量。
这些向量可以用于比较形状之间的相似度。
常用的特征描述方法包括：形状上的点集、边缘链码、轮廓的矩描述等。
4.匹配匹配是指将待识别目标形状与样本形状进行比对，确定它们之间的相似度。
匹配过程可以通过计算形状特征的相似度值来实现。
常见的匹配算法包括：最小二乘、最近邻等。
匹配结果可以通过设定一个阈值来判定是否匹配成功。
1.高效快速：HALCON形状匹配算法具有高效快速的特点，可以在短时间内完成目标形状匹配任务。
2.鲁棒性强：HALCON形状匹配算法对图像中的噪声、失真等因素有良好的抗干扰性能，可以准确地匹配目标形状。
3.高度可定制化：HALCON形状匹配算法可以通过调整各个算法模块的参数，实现对匹配结果的控制和优化。
4.应用广泛：HALCON形状匹配算法可以应用于多个领域，如工业自动化、机器人导航等，可以实现对不同形状目标的自动检测和识别。
基于形状的模板匹配原理 halcon实现步骤
基于形状的模板匹配原理halcon实现步骤
基于形状的模板匹配是一种图像处理技术，其原理是使用形状模板与目标图像进行匹配，以实现目标检测、识别和定位等功能。
以下是基于形状的模板匹配的原
理和Halcon实现步骤：
原理：
基于形状的模板匹配的原理是将形状模板与目标图像进行匹配，以找到最佳的匹配结果。
该方法通常使用边缘特征、轮廓特征、矩特征等形状特征来描述模板和目标图像的形状特性。
在匹配过程中，通过计算模板与目标图像之间的相似度、距离等度量值，以确定最佳的匹配位置和旋转角度等参数。
Halcon实现步骤：
1.创建形状模板：首先需要准备一个形状模板，可以使用Halcon提供的函数和工具箱
创建或导入已有的模板。
2.加载目标图像：使用Halcon的图像处理函数加载需要进行匹配的目标图像。
3.预处理图像：对目标图像进行必要的预处理，如滤波、降噪、边缘检测等，以提高
匹配精度和稳定性。
4.特征提取：使用Halcon提供的特征提取函数，从形状模板和目标图像中提取形状特
征，如边缘、轮廓、矩等。
5.模板匹配：将提取出的形状特征与形状模板进行匹配，计算相似度、距离等度量值，
以确定最佳的匹配位置和旋转角度等参数。
6.结果输出：将匹配结果输出到控制台或保存到文件中，以便后续处理和应用。
需要注意的是，基于形状的模板匹配方法对于光照变化、噪声干扰、遮挡等情况具有一定的鲁棒性，但在旋转、缩放等情况下可能会出现匹配精度下降的问题。
因此，在实际应用中需要根据具体场景和需求选择合适的算法和参数设置。
- 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)。
1、基于形状的匹配
1> 创建ROI?
? ?使用Halcon 算子可以方便的设置ROI?
?标准形状?
◆ draw_rectangle1/2?
◆ draw_circle?
◆ draw_ellipse?
◆ draw_line?
?任意形状?
◆ draw_region?
◆ draw_polygon?
?生成标准ROI?
◆ gen_rectangle1/2?
◆ gen_circle?
◆ gen_ellipse?
◆ gen_region_line?
?通过XLD 创建AOI?
◆ gen_region_contour_xld?
◆ gen_region_polygon_xld
2> 生成ROI?
根据创建模板时得到的数据，生成ROI区域，例如
gen_rectangle2(ROI,Row,Column,Phi,Length1,Length2)?
3> 修正ROI?
?修正函数?
◆ erosion_* 减小ROI?
◆ dilation_* 扩大ROI?
◆ shape_trans 形状转换?
◆ boundary 像素级边界?
◆ move_region 移动区域到新位置?
?组合?
◆ Intersection 交集?
◆ Difference 差集?
◆ Union2 并集?
4> 直接创建模板?
? create_shape_model(?
Template , // 模板图像?
NumLevels, // 图像金字塔，将图片分辨降低N倍?
AngleStart, // 起始角度?
AngleExtent, // 角度范围?
AngleStep, // 角度步长?
Optimization, // 优化算法?
Metric, // 极性，设置模板前景与背景、目标前景与背景的关系? Contrast, // 对比度?
MinContrast， // 最小对比度?
ModelID // 模板ID?
)?
create_scaled_shape_model?
create_aniso_shape_model?
注释：?
参数Contrast 不仅仅是对比度，数组元素数量不同，其意义不同?
◆ 1个元素时：128，对比度，直接提取边缘?
◆ 2个元素时：[100, 128]，表示使用磁滞分割来提取边缘?
◆ 3个元素时：[100, 128, 10]，前两个参数同2，最后一个参数表示所提取边缘的最小长度为10.?
参数Optimization?
一些模板包含了太多像素点，这导致?
◆模板过大?
◆增加执行时间?
◆增加了内存需求?
?参数Optimization 用来减少这些点?
◆ none 不减少像素?
◆ point_reduction_low 大约一半点?
◆ point_reduction_medium 大约1/3?
◆ point_reduction_high 大约1/4?
?减少点可能导致的问题?
◆可能导致无法创建高层金字塔?
◆有可能会降低结果的精度和准确度原则?
◆边缘较多时才减少?
?相同环境下， Optimization 取值不同时的运行时间对比?
◆?
◆?
◆?
◆?
参数-MinContrast?
参数MinContrast 是在查找模板的时候，来减少“有害”边缘的。
它的值可通过下面方法得到?
◆ estimate_noise函数?
◆ inspect_shape_model?通过像素轮廓可以直接创建模板?
◆ read_contour_xld_dxf?
◆ create_shape_model_xld?
◆ create_scaled_shape_model_xld?
◆ create_aniso_shape_model_xld?
7> 边界处理?
? HALCON 提供了两种边界处理方法?
?set_system (’ border_shape_models’,’false ‘)?
◆模板必须在 roi 内?
◆靠近边缘部分会被裁减?
?set_system (’ border_shape_models’,’true ‘)?
◆模板可以部分在 ROI 外面?
◆注意：分值会降低。