少有人走的路前言：
==========================================================
分类器相对于深度学习来讲是一种古老传统的图片处理技术。halcon中常见的有四类分类器：
MLP（多层神经网络neural Nets）
SVM（支持向量机）
K-NN（K-最邻近）
GMM（高斯混合类型）
分类器的应用领域主要是下面这些：
image segmentation 图像分割
object recognition 对象识别
quality control 质量控制
novelty detection 缺陷检测
optical character recognition(OCR) 光学字符识别
勇哥第一次见到分类器的视觉项目是锂电池的极片缺陷检测，效果还不错。
这两年深度学习火起来后，发现深度学习完成上面所说的领域的应用更容易，效果也更好。
但深度学习对硬件要求太高，你把IPC加装个一百多W的显卡很多时候是不现实的。
如果你用cpu来跑，会发现速度乎快乎慢，cpu全部内核会100%被占用。
分类器相对于深度学习来讲不吃硬件，所以相对来讲算是轻量级的应用。
==========================================================
LUT的说明如下：
使用算子create_class_lut_gmm生成查找表（LUT）。由于GMM的第种可能的响应都被存储在LUT中， 因此不再需要对图片的每个像素点进行评估，因此分类速度得以极大的提高。 使用LUT的GMM分类则不使用算子classify_image_class_gmm， 而是使用 classify_image_class_lut。 由于LUT的离散化，LUT分类classify_image_class_lut的精度可能会低于使用 classify_image_class_gmm进行分类的精度
GMM的LUT方式并不是GMM专用的，实际上在MPL，SVM都有LUT。
来看看一个例程：
它使用LUT来分割图片。例程在训练的时候通过一张样图已经把5个分类特征取到，然后直接用算子create_class_lut_gmm创建查找表LUT。接下来在图片分类中使用一次classify_image_class_lut就可以直接取得“细分类”，它是一个处理结果的region数组。
待分类图片是随机在视野内混排的，因此算子classify_image_class_lut一次取得整张图片的处理结果，是非常高效率的。
勇哥把例程标注出3个步骤：
（1）创建GMM，添加样本，进行训练
这一步是传统的用法，和上一篇所讲没啥子区别。
（2）创建GMM LUT分类器
在这一步里，算子create_class_lut_gmm 创建查找表（LUT），它有一组控制参数，详细见贴子：
http://www.skcircle.com/?id=1621
（3）使用LUT进行分类
算子classify_image_class_lut，取得的结果是一个region数组，按索引即可取出分类结果。
* In this example five different color fuses are segmented with
* a look-up table classifier (LUT) based on a Gaussian Mixture
* Model (GMM).
*
dev_update_off ()
dev_close_window ()
dev_open_window (0, 0, 800, 600, 'white', WindowHandle)
dev_set_draw ('margin')
ImageRootName := 'color/color_fuses_0'
FuseTypes := [5,10,15,20,30]
FuseColors := ['Orange','Red','Blue','Yellow','Green']
FuseHighlight := ['orange','red','blue','goldenrod','forest green']
DisplayTextShift := [85,65,75,85,85]
dev_set_color ('white')
dev_set_line_width (2)
read_image (Image, ImageRootName + '0')
dev_display (Image)
*
* Define ROIs for the training data of the classifier
set_display_font (WindowHandle, 14, 'mono', 'true', 'false')
gen_rectangle1 (FuseOrange, 195, 90, 230, 120)
dev_display (FuseOrange)
disp_message (WindowHandle, 'Orange Fuse', 'image', 160, 90 - 65, 'black', 'true')
gen_rectangle1 (FuseRed, 191, 280, 226, 310)
dev_display (FuseRed)
disp_message (WindowHandle, 'Red Fuse', 'image', 160, 280 - 55, 'black', 'true')
gen_rectangle1 (FuseBlue, 190, 470, 225, 500)
dev_display (FuseBlue)
disp_message (WindowHandle, 'Blue Fuse', 'image', 160, 470 - 60, 'black', 'true')
gen_rectangle1 (FuseYellow, 192, 672, 227, 702)
dev_display (FuseYellow)
disp_message (WindowHandle, 'Yellow Fuse', 'image', 160, 672 - 70, 'black', 'true')
gen_rectangle1 (FuseGreen, 197, 880, 232, 910)
dev_display (FuseGreen)
disp_message (WindowHandle, 'Green Fuse', 'image', 160, 880 - 65, 'black', 'true')
gen_empty_obj (Classes)
concat_obj (FuseOrange, FuseRed, Classes)
concat_obj (Classes, FuseBlue, Classes)
concat_obj (Classes, FuseYellow, Classes)
concat_obj (Classes, FuseGreen, Classes)
disp_message (WindowHandle, 'ROIs for the training data', 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
*
* （1）创建GMM，添加样本，进行训练
create_class_gmm (3, 5, 1, 'full', 'none', 3, 42, GMMHandle)
add_samples_image_class_gmm (Image, Classes, GMMHandle, 0)
disp_message (WindowHandle, 'Training GMM classifier...', 'window', 48, 12, 'black', 'true')
train_class_gmm (GMMHandle, 100, 0.001, 'training', 0.001, Centers, Iter)
*
* （2）创建GMM LUT分类器
disp_message (WindowHandle, 'Creating LUT classifier...', 'window', 84, 12, 'black', 'true')
create_class_lut_gmm (GMMHandle, ['bit_depth','rejection_threshold'], [6,0.03], ClassLUTHandle)
*
* 使用LUT分类器分割图片
for Img := 0 to 3 by 1
read_image (Image, ImageRootName + Img)
count_seconds (T1)
（3）使用LUT进行分类
classify_image_class_lut (Image, ClassRegions, ClassLUTHandle)
count_seconds (T2)
TimeToClassify := (T2 - T1) * 1000
dev_display (Image)
dev_set_line_width (3)
for Fuse := 1 to 5 by 1
*
* Perform post-processing on returned classes
copy_obj (ClassRegions, ObjectsSelected, Fuse, 1)
closing_circle (ObjectsSelected, RegionClosing, 3.5)
connection (RegionClosing, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 2500, 99999)
fill_up (SelectedRegions, RegionFillUp)
area_center (RegionFillUp, Area, Row, Column)
shape_trans (RegionFillUp, RegionTrans, 'convex')
dev_set_color (FuseHighlight[Fuse - 1])
dev_display (RegionTrans)
*
disp_message (WindowHandle, FuseColors[Fuse - 1] + ' ' + FuseTypes[Fuse - 1] + ' A', 'image', Row - 10, Column - DisplayTextShift[Fuse - 1], FuseHighlight[Fuse - 1], 'white')
endfor
disp_message (WindowHandle, TimeToClassify$'.1f' + ' ms', 'window', 12, 12, 'black', 'true')
if (Img < 3)
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
endif
endfor
*
disp_message (WindowHandle, 'No more lines to execute', 'window', 50, 12, 'black', 'true')（1）创建GMM，添加样本，进行训练
（3）使用LUT进行分类
算子classify_image_class_lut取得的结果数组，如下图所示。
下面的循环代码只不过是按索引号(1到5) 把结果取出来，然后做一点美容整形操作再显示出来。
为啥取对象的索引是从1开始？ 不知道为啥的童鞋要罚站半小时哦……
忍不住插一句，shape_trans (RegionFillUp, RegionTrans, 'convex') 中这个‘convex’的用法终于通过这个例子搞明白了，对勇哥真是个意外的收获。
for Fuse := 1 to 5 by 1 * * Perform post-processing on returned classes copy_obj (ClassRegions, ObjectsSelected, Fuse, 1) closing_circle (ObjectsSelected, RegionClosing, 3.5) connection (RegionClosing, ConnectedRegions) select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 2500, 99999) fill_up (SelectedRegions, RegionFillUp) area_center (RegionFillUp, Area, Row, Column) shape_trans (RegionFillUp, RegionTrans, 'convex') dev_set_color (FuseHighlight[Fuse - 1]) dev_display (RegionTrans) * disp_message (WindowHandle, FuseColors[Fuse - 1] + ' ' + FuseTypes[Fuse - 1] + ' A', 'image', Row - 10, Column - DisplayTextShift[Fuse - 1], FuseHighlight[Fuse - 1], 'white') endfor
再放几张其它的图片分类结果图：
勇哥突然想到： 以上待分类图片中总是出现训练时的5种分类特征，那么我有一张图只出现2类、或者出现完全不相关的图片会怎么样呢？
那就试试吧！
勇哥ps了一张图片，只有两种分类，并且加入一个不相关的异物－桔子。
桔子的颜色跟黄色物料相近，看看LUT的结果是怎么样的？
结果是分出两类，但是桔子被误分为yellow类。
把桔子换个颜色，会怎么？
结果如下，可以看到这次桔子不属于任何分类。
这个实验说明一个问题，LUT是以图片的什么特征进行分类的？
勇哥把上一篇的GMM分类用法跟本篇用法来对比一下，来找寻这个答案。
**********标准gmm分类用法*********************************** create_class_gmm (2, 2, 1, 'spherical', 'normalization', 10, 42, GMMHandle) get_features (ObjectSelected, WindowHandle, Circularity, Area, RowRegionCenter, ColumnRegionCenter) *添加类别0的特征 add_sample_class_gmm (GMMHandle, FeatureVector, 0, 0) *添加类别1的特征 add_sample_class_gmm (GMMHandle, FeatureVector, 1, 0) train_class_gmm (GMMHandle, 100, 0.001, 'training', 0.0001, Centers, Iter) for I := 1 to 15 by 1 get_features (ObjectSelected, WindowHandle, Circularity, Area, RowRegionCenter, ColumnRegionCenter) classify_class_gmm (GMMHandle, FeatureVector, 1, ClassID, ClassProb, Density, KSigmaProb) endfor **********gmm LUT分类用法*********************************** *FuseOrange，FuseRed，FuseBlue, FuseYellow, FuseGreen 这是5个region区域。 concat_obj (FuseOrange, FuseRed, Classes) concat_obj (Classes, FuseBlue, Classes) concat_obj (Classes, FuseYellow, Classes) concat_obj (Classes, FuseGreen, Classes) create_class_gmm (3, 5, 1, 'full', 'none', 3, 42, GMMHandle) add_samples_image_class_gmm (Image, Classes, GMMHandle, 0) disp_message (WindowHandle, 'Training GMM classifier...', 'window', 48, 12, 'black', 'true') train_class_gmm (GMMHandle, 100, 0.001, 'training', 0.001, Centers, Iter) create_class_lut_gmm (GMMHandle, ['bit_depth','rejection_threshold'], [6,0.03], ClassLUTHandle) for Img := 0 to 3 by 1 classify_image_class_lut (Image, ClassRegions, ClassLUTHandle) for Fuse := 1 to 5 by 1 copy_obj (ClassRegions, ObjectsSelected, Fuse, 1) disp_message (WindowHandle, FuseColors[Fuse - 1] + ' ' + FuseTypes[Fuse - 1] + ' A', 'image', Row - 10, Column - DisplayTextShift[Fuse - 1], FuseHighlight[Fuse - 1], 'white') endfor endfor
由上面代码的对比，可以发现：
LUT的代码中用的是add_samples_image_class_gmm
而上篇代码用的是add_samples_class_gmm
前者直接喂图片(image)给gmm分类器，后者需要喂特征向量给分类器。
因此关于 “LUT是以图片的什么特征进行分类的？”这个问题答案是不知道。因为我们直接把图片传给了分类器，它的内部是怎么操作的我们看不到，不过参考网上的原理，这个操作是使用高斯概率密度函数（正态分布曲线）精确地量化事物。
这个内部操作还提供给我们一组可控制参数的，它就是create_class_lut_gmm 算子的两个参数：GenParamNames，GenParamValues来进行设置的。
在应用层面上，我们通过实验，也能观察到这个内部操作至少跟颜色、灰度值和域值相关的。
---------------------
作者：hackpig
来源：www.skcircle.com
版权声明：本文为博主原创文章，转载请附上博文链接！
