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

30.5、disp_circle (WindowID, RowPoint, ColPoint, 10) 在指定点（ColPoint

，RowPoint）绘制直接为10的圆

注意：y1 = Row1, x1 = Col+100. y2 = Row2, x2 = Col. 先y后x

的值（distance_lr.hdev）

31、distance_pc (Hole, Row, Column, DistanceMin, DistanceMax)

计算点到轮廓之间的最大距离和最小距离，其中（Column, Row）为规定的点。

32、edges_sub_pix (Rim, Edges, 'lanser2', 0.3, 10, 40) 使用Deriche, Lanser, Shen, or Canny filters等算子提取精确的亚像素边缘。33、sort_contours_xld (Holes, Holes, 'upper_left', 'true', 'row') 根据相对位置选择轮廓34、smallest_circle_xld (Holes, Row, Column, Radius) 确定完整的圆35、disp_cross (WindowID, Row[i-1], Column[i-1], 6, 0) 在指定点的位置绘制一个十字标记

36、get_region_contour (SelectedRegions, Rows, Columns) 访问一个已经确定区域的轮廓

37、distance_pl (Rows[i], Columns[i], RowLine1, ColLine1, RowLine2, ColLine2, Distance) 点到直线的距离

38、distance_ss (Rows, Columns, Rows+n, Columns+n, RowLine1, ColLine1, RowLine2, ColLine2, Dista nceMin, DistanceMax) 计算两线段之间的距离（distance_ss）

39、distance_pp (RowPoint, ColPoint, Rows[i], Columns[i], Distance) 计算一个点（ColPoint，RowPoint）到另一个点（Columns[i]，Rows[i]）直接的距离。 40、distance_sr (SelectedRegions, Row1+n, Col, Row2-n, Col+100, DistanceMin, DistanceMax) 计算直线段到区域之间的距离（distance_sr）

41、auto_threshold(Image, Regions, 4) 由直方图确定的阈值以分割图像 42、tuple_rad( degree, radian) 角度转换为弧度

43、dilation_circle(SelectedRegions, RegionDilation, 3.5) 以半径为3.5的圆扩展给定区域

44、erosion_circle(RegionFillUp, RegionErosion,3.5) 以半径为3.5的圆腐蚀给定区域

45、fill_up_shape(RegionDilation, RegionFillUp, 'area', 1, 300) 按照给定的形状特征填充区域中的空洞

46、fill_up(RegionErosion, RegionFillUp2) 直接填充区域中的空洞

47、difference(RegionFillUp2, RegionErosion, RegionDifference) 计算两者区域的不同

48fit_ellipse_contour_xld(Contours1,'fitzgibbon', -1, 0, 0, 200, 3, 2, Row1, Column1,

Phi1, Radius1, Radius2, StartPhi, EndPhi, PointOrder) 使用椭圆和椭圆弧近似XLD轮廓线

49gen_ellipse_contour_xld (ContEllipse1,Row1,Column1,Phi1,Radius1,Radius2,0,6 .28318,'positiv e',1.5) 相关于椭圆弧创建一个XLD轮廓

50gen_measure_rectangle2 (Row, Column, Phi, Length1, Length2, Width, Height, Interpolation, MeasureHandle)

51measure_pairs (Image, MeasureHandle, Sigma, Threshold, Transition, Select, RowEdgeFirst, Col umnEdgeFirst, AmplitudeFirst, RowEdgeSecond, ColumnEdgeSec ond, AmplitudeSecond, IntraDist ance, InterDistance)

halcon知识点

1. 无论读入什么图像，读入图像显示效果明显和原始图像不一致，哪怕是从相机读入的图像，也是明显颜色差异。什么原因引起？ 初步诊断是，显示的时候调用的颜色查找表存在异常不是 default ，而是其它选项。此时可以通过查阅相关参数，调用set_system解决，也可以在编辑-》参数选择-》颜色查找表进行更改。 2. 裁剪图像；从图像上截取某段图像进行保存。如何实现该操作？ 首先应该知道，region不具有单独构成图像的要素，他没有灰度值。有用过opencv的应该知道 ROI（感兴趣区域），设置好它后，对图像的大部分操作就转为图像的一个矩形区域内进行。类似的，halcon有domain 概念。首先设置好一个矩形区，然后使用 reduce_domain（是一个矩形区域）后，再使用crop_domain 就裁剪出图像。 3. 读入bmp，或tiff 图像显示该图不是bmp文件或不能读。原因是什么？ 这个常有新手询问，画图，图像管理器都能打开，又或者是相机采集完直接存到硬盘。Halcon 读取图像在windows下面到最后是调用windows库函数实现读图功能。咱不清楚到底是怎么调用的。对于图像格式，在读图函数F1说明很细。基本 bmp 如果文件头不是bw还是bm(百度百科bmp格式查找，编写此处时无网络，后续可能忘记)，就读不进来。其他规格欢迎补充。解决办法，如果是相机采集，就在内存直接转换(参见 halcon到VC.pdf 里面的halcon和bitmap互转)；如果是采完的图片，大部分通过画图工具转换为 24位bmp格式，即可解决。 4.读入avi文件报错。

Halcon 通过 directshow或另一个格式解析视频，正常来说应该可以读入市面大部分视频，实际测试发现只能读入最标准的avi文件格式。如果需要临时处理，需要下格式工厂等工具转化为最标准的avi文件格式(论坛叶诺有发帖说明)。 5. Region 或 xld 筛选。 Halcon提供了丰富的region 和xld筛选方法。Region可以使用select_shape_xld，选择出符合要求的区域，如果不能满足还可以通过类似 region feature 这样关键字组合成的算子获取区域特征，然后通过 tuple 排序或相加减，再通过 tuple_find 确定是对应哪个区域的特征。同样的halcon也提供了 select_contours_xld 进行轮廓筛选。 6. Halcon分几类对象，每个类的功用是？ Halcon总分俩大类，tuple和图标对象obj 。Tuple涵盖了对所有基础数据类型的封装，可以理解为她是halcon定义的数组类。Obj 是alcon定义图标类基类。衍生出了许多类型，其中 Region ，Xld，Image 其中最主要的类型。 7. F1说明，参数部分 -array 是什么意思？ 该符号说明，该参数接受一组输入，对tuple就是一组tuple，对obj 就是通过concat_obj 或其它操作产生的一组obj元组。 8. 俩个相对方形物体的距离计算。 如果这俩个物体和背景对比清晰，最近的距离在俩条边下则可以再预处理之后进行如下操作：

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

halcon相机标定和测量示例

Halcon单相机标定和测量示例相机标定有很多方式：九点标定法、棋盘格标定法、圆形阵列标定法；本次采用圆形阵列标定法。 1Halcon相机标定 1.1标定板描述文件编制 此次相机标定采用的是网购的标定板（直接在万能的某宝搜halcon标定板），如图1。采购的时候卖家会提供标定板的相应参数，如图2。 图1标定板 图 2 标定板参数

用halcon标定助手标定的时候需要用到标定板的描述文件，此文件可以用gen_caltab算子自己编制。如下为函数说明：gen_caltab( : : XNum, YNum, MarkDist, DiameterRatio, CalPlateDescr, CalPlatePSFile : ) 函数说明：创建一个标定文件和相应的脚本文件。 函数参数： Xnum：输入X方向标记（圆点）的数量，Xnum>1； Ynum：输入Y方向标记（圆点）的数量，Ynum>1； MarkDist：标记圆圆心间距离，单位“m”；（我看过一个资料翻译为标记点大小，差点被坑死） DiameterRatio：两标记点距离和标记直径的比值，默认：0.5。0

注释的HALCON的标定校正程序

注释的HALCON的程序 时间：2015-11-12 13:25:58阅读：4评论：0收藏：0[点我收藏+]标签：des si代码it la sp文件数据ha *关闭窗口 dev_close_window () dev_close_window () *打开指定大小、颜色背景的窗口 dev_open_window (0, 0, 768/2, 576/2, ‘black‘, WindowHandle1) dev_update_pc (‘off‘) dev_update_window (‘off‘) dev_update_var (‘off‘) dev_update_time (‘off‘) dev_set_draw (‘margin‘) dev_set_line_width (3) * * Calibrate the camera.（标定相机）步骤一 * * 标定板描述文件 CaltabName := ‘caltab_big.descr‘ * make sure that the file ‘CaltabDescrName‘ is in the current directory, * the HALCONROOT/calib directory, or use an absolut path

*初始相机参数：焦距、畸变系数Kappa,Sx,Sy,Cx,Cy,ImageWidth,ImageHeight StartCamPar := [0.008,0,0.0000086,0.0000086,384,288,768,576] *物体在空间坐标系中的位姿数组 NStartPose := [] *行角点数组 NRow := [] *列角点数组 NCol := [] *X、Y、Z从标定表文件获取计算值 caltab_points (CaltabName, X, Y, Z) *创建空的图像元组 gen_empty_obj (Images) *图像的数目 NumImages := 10 *接下来for循环，依次读取、处理NumImages张图像 for I := 1 to NumImages by 1 *读取图像：Image得到图像数据 read_image (Image, ‘calib/calib-3d-coord-‘+I$‘02d‘) *将单个Image加入元组Images中 concat_obj (Images, Image, Images) *显示Image dev_display (Image) *在图像中找到标定板的区域：图像，标定板描述文件，滤波核大小，二值化值

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）

Halcon标定文件资料地生成及标定板规格

Halcon标定文件的生成 Halcon标定文件的生成 图一 Halcon标定文件的生成，需要有以下几个步骤： 1.创建一个标定数据模板，由create_calib_data算来完成。 2.指定相机的类型，初始化相机内部参数，由set_calib_data_cam_param算子来完成。 3.指定标定板的描述文件，由set_calib_data_calib_object算子完成。 4.收集观察数据，有算子set_calib_data_observ_points完成。也就是收集标定板上圆点的中心坐标，跟各个校正板的位置姿态。 5.配置校正过程。由算子set_calib_data完成。 6.将数据整合进行标定计算。calibrate_cameras 7.获得标定参数。get_calib_data 8.记录标定参数，write_cam_par

StartCamPar := [0.016, 0, 0.0000074, 0.0000074, 326, 247, 652, 494] 解释一下这个数组的意思。 面阵相机有14或18个参数（根据想相机的畸变模式），对于线阵相机有17个参数。这些参数可以分开为内部相机参数、外部相机参数。 面阵相机（division模式）： Focus（焦距）:远焦镜头镜头焦距的长度 Kappa:扭曲系数 Sx，Sy：两像素间距 Cx，Cy：中心点坐标 Whith，Height：图像的宽高 面阵相机（polynomia模式）： Focus（焦距）:远焦镜头镜头焦距的长度 K1, K2, K3, P1,P2:扭曲系数 Sx，Sy：两像素间距 Cx，Cy：中心点坐标 Whith，Height：图像的宽高 线阵相机不做具体介绍 Halcon标定板规格 2011-12-23 12:56 68人阅读评论(1) 收藏举报

halcon单摄像机标定

In the reference manual，operator signatures are visualized in the following way: operator ( iconic input : iconic output : control input : control output ) 在HALCON所有算子中，变量皆是如上格式，即：图像输入：图像输出：控制输入：控制输出，其中四个参数任意一个可以为空。控制输入量可以是变量、常量、表达式，控制输出以及图像输入和输入必须是变量，以存入算子计算结果中。 1.caltab_points：从标定板中读取marks中心坐标，该坐标值是标定板坐标系统里的坐标值，该坐标系统以标定板为参照，向右为X正，下为Y正，垂直标定板向下为Z正。该算子控制输出为标定板中心3D坐标。 2.create_calib_data：创建Halcon标定数据模型。输出 一个输出数据模型句柄。 3.set_calib_data_cam_param：设定相机标定数据模型中设置相机参数的原始值和类型。设置索引，类型，以及相机的原始内参数等。 4.set_calib_data_calib_object:在标定模型中设定标定对象。设定标定对象句柄索引，标定板坐标点储存地址。 5.find_caltab：分割出图像中的标准标定板区域。输出为标准的标定区域，控制 6.find_marks_and_pose：抽取标定点并计算相机的内参数。输出MARKS 坐标数组，以及估算的相机外参数。 即标定板在相机坐标系中的位姿，由3个平移量和3个旋转量构成。 7.set_calib_data_observ_points( : : CalibDataID, CameraId x, CalibObjIdx,CalibObjPoseIdx, Row, Column, Index, Pose : ) 收集算子6的标定数据，将标定数据储存在标定数据模型中。输入控制分别为标定数据模型句柄，相机索引，标定板索引，位姿索引，行列坐标，位姿。

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

HALCON算子函数整理10 Matching-3D

HALCON算子函数——Chapter 10 : Matching-3D 1. affine_trans_object_model_3d 功能：把一个任意有限3D变换用于一个3D目标模型。 2. clear_all_object_model_3d 功能：释放所有3D目标模型的内存。 3. clear_all_shape_model_3d 功能：释放所有3D轮廓模型的内存。 4. clear_object_model_3d 功能：释放一个3D目标模型的内存。 5. clear_shape_model_3d_ 功能：释放一个3D轮廓模型的内存。 6. convert_point_3d_cart_to_spher 功能：把直角坐标系中的一个3D点转变为极坐标。 7. convert_point_3d_spher_to_cart 功能：把极坐标中的一个3D点转变为直角坐标。 8. create_cam_pose_look_at_point 功能：从摄像机中心和观察方向创建一个3D摄像机位置。 9. create_shape_model_3d 功能：为匹配准备一个3D目标模型。 10. find_shape_model_3d 功能：在一个图像中找出一个3D模型的最佳匹配。 11. get_object_model_3d_params

功能：返回一个3D目标模型的参数。 12. get_shape_model_3d_contours 功能：返回一个3D轮廓模型视图的轮廓表示。 13. get_shape_model_3d_params 功能：返回一个3D轮廓模型的参数。 14. project_object_model_3d 功能：把一个3D目标模型的边缘投影到图像坐标中。 15. project_shape_model_3d 功能：把一个3D轮廓模型的边缘投影到图像坐标中。 16. read_object_model_3d_dxf 功能：从一个DXF文件中读取一个3D目标模型。 17. read_shape_model_3d 功能：从一个文件中读取一个3D轮廓模型。 18. trans_pose_shape_model_3d 功能：把一个3D目标模型的坐标系中的位置转变为一个3D轮廓模型的参考坐标系中的位 置，反之亦然。 19. write_shape_model_3d 功能：向一个文件写入一个3D轮廓模型。

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。

Halcon学习(24)总结(一)

Halcon学习（二十四）总结（一） 好久没有写篇文章了。写一篇总结吧。 1、Halcon的自我描述 Program Logic ? Each program consists of a sequence of HALCON operators ? The program can be structured into procedures ? The sequence can be extended by using control operators like if, for, repeat, or while ? The results of the operators are passed via variables ? No implicit data passing is applied ? Input parameters of operators can be variables or expressions ? Output parameters are always variables ? HDevelop has no features to design a graphical user interface ? An HDevelop program is considered as a prototypic solution of the vision part of an application ? HDevelop is typically not used for the final application 由此可以看出，Halcon的定位是一个类库，有着完整、快速实现函数，同时提供了HDevelop 作为快速开发的图形化（IDE）界面；但是，Halcon程序并不是一个完整的最终应用软件，它没有用户界面，也不提供显示的数据（公用的数据格式）。 Halcon的初学者也应当从参考Halcon的程序入手，熟悉Halcon类库，也即HDevelop-Based Programming；在此基础上，进入ORClass-Oriented Programming。这也是Halcon推荐的开发方式： The vision part is solved with HDevelop， and the application is developed with C++ or Visual Basic。 2、HDevelop界面的学习 通过阅读Halcon的PPT，学到了下面一些有用的信息： ? 文件——浏览示例，可以看到很多有用的例子； ? 程序窗体中，可以浏览与编辑Procedues（过程），这个其实就是自定义函数咯～还可以自己修改这些过程，并添加说明文档； ? F4——将函数语句注释掉；F3——激活； ? 本地过程（Local Procedue）与外部过程（Externel Procedue） 3、基本语法结构 Halcon的语法结构 类似于Pascal 与 Visual Basic，大部分的语句是Halcon提供的算子，此外也包含了少部分的控制语句； 不允许单独声明变量； 提供自动的内存管理（初始化、析构及OverWrite），但句柄则需要显示释放； C++（算子模式） 通过代码导出，以C++为例，默认导出为算子型的语法结构，而非面向对象的；在此模式下，全部函数声明为全局类型，数据类型只需要用Hobject、HTuple两类类型进行声明； C++（面向对象） 可以以面向对象的方式重写代码，也即利用类及类的成员函数；

halcon单相机标定详细说明

相机标定 1 相机标定基本原理 1.1 相机成像模型 目前大多数相机模型都是基于针孔成像原理建立的，因为针孔成像原理简单，并且能满足建模的要求。除此之外还有基于应用歪斜光线追踪法和近轴光线追踪法的成像模型[1]。针孔成像虽然已经展示出了相机的成像原理，但是由于针孔成像是理想的物理模型，没有考虑相机本身的尺寸、镜头与相机轴心的偏斜等因素的影响，因此精度很低，不能满足工业机器视觉的要求。为了使相机模型能高精度的反应相机的实际成像过程，需要再针孔成像模型的基础上考虑镜头畸变等的因素。 图1 针孔成像 基于针孔成像原理建立的相机的成像模型，如下图所示。在相机的成像模型中，包含有几个坐标系分别是世界坐标系、相机坐标系、图像坐标系，相机的成像过程的数学模型就是目标点在这几个坐标系中的转化过程。 图2 针孔成像模型 （1）世界坐标系(X w,Y w,Z w)，就是现实坐标系，是实际物体在现实世界中的数学描述，是一个三维的坐标空间。 （2）摄像机坐标系（X c, Y c），以针孔相机模型的聚焦中心为原点，以摄像机光学轴线为Z c轴 （3）图像坐标系：分为图像像素坐标系和图像物理坐标系 为了便于数学描述将图像平面移动到针孔与世界坐标系之间。如下图所示。

图3 将相机平面移至针孔与目标物体之间后的模型 1.2 坐标系间转换 从世界坐标系到相机坐标系： P(X c ，Y c ，Z c )=R(α，β，γ)?P(X w ，Y w ，Z w )+T 每一个世界坐标的对象都可以通过旋转和平移转移到相机坐标系上。将目标点旋转θ角度，等价于将坐标系方向旋转θ。如下图所示，是二维坐标的旋转变换，对于三维坐标而言，旋转中绕某一个轴旋转，原理实际与二维坐标旋转相同。如果，世界坐标分别绕X ，Y 和Z 轴旋转α，β，γ，那么旋转矩阵分别为R (α)，R (β)，R (γ) 图4 坐标旋转原理 R (α)=[10 00cosα ?sinα0sinαcosα] （1-1） R (β)=[cosβ 0sinβ0 10?sinβ 0cosβ ] （1-2）

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

HALCON算子函数Chapter 15： Segmentation

HALCON算子函數——Chapter 15 : Segmentation 15.1 Classi?cation 1. add_samples_image_class_gmm 功能：將從圖像中獲取的測試樣本添加到高斯混合模型的測試數據庫中。2．add samples_image_class_mlp 功能：將從圖像中獲取的測試樣本添加到多層視感控器的測試數據庫中。 3. add_samples_image_class_svm 功能：將從圖像中獲取的測試樣本添加到一個支持向量機的測試數據庫中。 4. class_2dim_sup 功能：采用二維空間像素分類分割圖像。 5. class 2dim unsup 功能：將兩幅圖像以聚類分割。 6.class ndim_box 功能：利用立方體將像素分類。 7. class_ndim_norm 功能：利用球體或立方體將像素分類。 8. classify_image_class_gmm 功能：根據高斯混合模式分類圖像。 9. classify_image_class_mlp 功能：根據多層視感控器分類圖像_。 10. classify_image_class_svm 功能：根據支持向量機分類圖像。 11. learn_ndim_box

功能：利用多通道圖像測試一個分級器。 12. learn_ndim_norm 功能：為class_ndim_norm構建類。 15.2 Edges 1. detect_edge_segments 功能：檢測直線邊緣分割。 2. hysteresis_threshold 功能：對一副圖像采取磁滯門限操作。 3. nonmax_suppression_amp 功能：抑制一幅圖像上的非最大值點。 4. nonmax_suppression_dir 功能：利用指定圖像抑制一幅圖像上的非最大值點。 15.3 Regiongrowing 1. expand_gray 功能：依據灰度值或顏色填充兩個區域的間隙或分割重疊區域。 2. expand_gray_ref 功能：依據灰度值或顏色填充兩個區域的間隙或分割重疊區域。 3. expand_line 功能：從給定線開始擴充區域。 4. regiongrowing 功能：利用區域增長分割圖像。

Halcon学习(20)摄像机标定常用函数(一)

Halcon学习（二十）摄像机标定常用函数（一） 在HALCON所有算子中，变量皆是如上格式，即：图像输入：图像输出：控制输入：控制输出，其中四个参数任意一个可以为空。控制输入量可以是变量、常量、表达式，控制输出以及图像输入和输入必须是变量，以存入算子计算结果中。 1.caltab_points：从标定板中读取marks中心坐标，该坐标值是标定板坐标系统里的坐标值，该坐标系统以标定板为参照，向右为X正，下为Y正，垂直标定板向下为Z正。该算子控制输出为标定板中心3D坐标。 2.create_calib_data：创建Halcon标定数据模型。输出一个输出数据模型句柄。 3.set_calib_data_cam_param：设定相机标定数据模型中设置相机参数的原始值和类型。设置索引，类型，以及相机的原始内参数等。 4.set_calib_data_calib_object:在标定模型中设定标定对象。设定标定对象句柄索引，标定板坐标点储存地址。 5.find_caltab：分割出图像中的标准标定板区域。输出为标准的标定区域，控制 6.find_marks_and_pose：抽取标定点并计算相机的内参数。输出MARKS坐标数组，以及估算的相机外参数。 即标定板在相机坐标系中的位姿，由3个平移量和3个旋转量构成。 7.set_calib_data_observ_points( : : CalibDataID, CameraIdx, CalibObjIdx,CalibObjPoseIdx, Row, Column, Index, Pose : ) 收集算子6的标定数据，将标定数据储存在标定数据模型中。输入控制分别为标定数据模型句柄，相机索引，标定板索引，位姿索引，行列坐标，位姿。 8.calibrate_cameras( : : CalibDataID : Error) 标定一台或多台相机，依据CalibDataID中的数据。控制输出平均误差。 9.get_calib_data( : : CalibDataID, ItemType, ItemIdx, DataName : DataValue) 获得标定数据。 依靠索引号和数据名称来返回输出的数据值。可查询与模型相关的数据，与相机相关的数据（包括相机的内外参数等），与标定对象相关的数据，与标定对象的姿态相关的数据。控制输出是要查询的标定数据。 如：get_calib_data (CalibDataID, 'camera', 0, 'params', CamParam) //查询相机的位姿 get_calib_data (CalibDataID, 'calib_obj_pose', [0, NumImage], 'pose', Pose) //查询标定板位姿10.write_cam_par( : : CameraParam, CamParFile : ) 记录相机的内参数，输入控制为内参数，输出控制为 存取相机内参数的文件名。 11.set_origin_pose( : : PoseIn, DX, DY, DZ : PoseNewOrigin) 设置新的坐标原点，控制输入为原始的位姿和沿着世界坐标系的三个坐标轴的平移量，控制输出为新的位姿。

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