少有人走的路分类是对一组类别中单个实例对象划分的技术术语。对象，还有现有的类别，是用特定的特征来描述的，例如像素的颜色或者区域的形状。为了定义类别，特征必须被指定，例如通过已知对象的类别。在训练之后，分类器将对象的特征与有关类别的特征做比较，并返回最大匹配的类别。根据所选的分类器，类别的可能性或者分类的可行度等可能额外的信息将被给出。
一般来说，可以区分两种对图像数据的分类方法。一种方法是基于单纯的像素分类，并且基于颜色或者纹理去分割图像。另一种方法则更广泛，分类任意特征，例如你可以基于区域特征去分类区域，如形状，大小，或者颜色。对于这里介绍的编程方法，找重点放在第一种方法上。需要注意的是，实际上HALCON提供的OCR及时一种广义的分类方法，其具有特定的算子。
HALCON提供了不同的分类器，最重要的分类器识神经网络（多层感知机或者MLP）分类器，支持向量机（SVM）分类器，高斯混合模型（GMM）分类器，和K最近邻（KNN）分类器。另外，盒分类器也是可行的，但是由于GMM分类会引起可比性的结果且也更稳定，这里仅仅去描述GMM分类器。再者，更“简单”的分类器也能用于图像的分割，这些分类器中包含了2维像素分类class_2dim_sup或者class_ndim_norm，其可以被用来仅仅欧式分类，但这些方法的不灵活的，所以重点还是放在MLP,SVM,GMM,和k-NN分类器。如果你想用“简单”分类器之一，请查看对应的例子即可。
对于特定任务，决定使用哪个分类器，且对于所选分类选择合适的参数则更具有挑战性，因为每个分类任务是不同的，因而需要不同的处理。HALCON提供了一些算子用于分类，在许多情况下，对于特定的任务和特定的训练数据，你必须尝试使用不同的分类器。除了所选用的方法，在几乎任何情况下，你必须去结合参数去得到一个满意的结果。允许额外的时间去测试，如果第一次测试没有立刻得到满意的结果，请不要灰心，分类是复杂的。
基本概念
分两类由下面几个基本步骤组成：
获取图像
当分类图像的实收，对于训练数据的产生和分类图像，必须被获取。
创建分类器
分类的第一步就是去创建一个新的分类器。这里，你必须决定哪个分类器应用于你特定的分类任务。4个分类器（假设参数有一个最优的调整）的主要优势和劣势如下:
多层感知机：MLP分类器会有一个好的识别率且分类速度更快。作为交换，其训练没有SVM分类快，尤其对于巨大量的训练集。如果分类是时间关键的，但训练可以连线应用的话，MLP方法是一个好的选择。一个拒绝类被返回，但是相比于GMM分类器，它可能会被利群点所影响，因而，推荐对拒绝类有一个额外精确的训练。除此之外，如果你想额外的训练样本，你不应该追加再一个训练，而是用老的和新的训练样本重复训练。支持向量机：相比于MLP分类器，SVM分类会取得稍微更好的识别率和更快的训练，尤其对于巨大量的训练集。另外，新的训练样本的训练可以被简单的添加到先前的训练。作为交换，其分类没有MLP方法快，且并不能自动的获取一个拒绝类。高斯混合模型：GMM分类的优势是，由参数设置来控制，不匹配训练类的特征向量将被分配到一个拒绝类。另外，你可以在第一次训练上应用第二次训练，例如为了添加新的训练样本。GMM分类器的缺点是识别率没有MLP或者SVM方法的好。还有，长度为15的特征向量是被建议的，然而对于MLP和SVM分类器，500维的特征向量也是可以的。K最近邻：k-NN分类器的优势之一是它具有很少且直观的参数，同时，k-NN分类器可以用很少的训练数据工作。原则上，每一类仅一个样本就足够得到合理的结果。K-NN分类器的训练时所有分类器中最快的，其让k-NN分类器对于自动特征选择和快速评估成为了首要选择。缺点就是分类是相对较慢的，且分类结果没有SVM和MLP分类器的好。根据所选的分类方法，你可用ceate_class_mlp,create_class_svm,create_class_gmm或者create_class_knn来创建分类器。
当创建了分类器，正确的参数设置对于后续分类的成功是至关重要的，对于不同的方法这些设置是很明确的。
训练分类器
训练由两个重要的步骤组成，首先，用算子add_sample_class_mlp,add_sample_class_svm, add_sample_class_gmm, 或者add_sample_class_knn将有代表性的训练样本，如每一类的一组特征向量，添加到分类器中。如果你想用像素分类，如你想分割图像为不同颜色或者纹理的区域，你可以用算子add_samples_image_class_mlp, add_samples_image_class_svm,add_samples_image_class_gmm， 或者add_samples_image_class_knn。然后，你可以立马插入一个单独的多通道图像，而不是许多特征向量（每个像素一个）。在第二步，分类器可以用train_class_mlp, train_class_svm, train_class_gmm, 或者train_class_knn训练。需要注意的是在训练阶段复杂的计算被执行，因此，根据训练样本的数量和一些特定方法的影响，例如用于MLP分类的MLP大小，训练可能花费数秒到几个小时不等。
分类数据
对于一般的分类，你可以用算子classify_class_mlp,classify_class_svm, classify_class_gmm或者classify_class_knn，它们采用训练好的分类器，返回要分类数据特征向量最有可能的类别。在大多数情况下，你仅仅需要最好的类。然后，你设置参数Num为1。在较少的情况下，
当用到覆盖类的时候，第二好的类也是需要的（Num=2）。
如对于像素分类中，对于添加样本到训练的步骤中，例如如果一张图像被分割成不同颜色或者纹理类的区域，特定的算子将被提供。对于图像分割，你可以用classify_image_class_mlp, classify_image_class_svm, classify_image_class_gmm或者classify_image_class_knn。，其中这些算子将图像作为输入，而不是每个像素的单个特征向量。需要注意的是，对于具有3通道最大值得图像，你可以用基于查找表（LUT加速分类）的分类去加速图像分割。
除了最有可能的类别，GMM, MLP 和k-NN分类器返回额外的值去评估结果。根据所用分类方法，K-NN返回了一个非常直观等级（例如，距离训练样本的最小距离）。GMM分类器返回时类别对应的概率，MLP分类器返回的是分类的可信度。需要注意的是，对于GMM分类的概率是相对精确的，然而对于MLP分类离群点的可信度是可能，因为MLP计算的方法。例如，当对对象的位置（行和列建立的特征向量）进行分类的时候，对于训练样本远的位置，可信度可能是高的，在覆盖类的情况下是低的。对于SVM分类而言，没有分类可行度或者返回类别概率的信息被给予。
销毁分类器
当你不再需要分类器的时候，依据所用的分类器，你可以用算子clear_class_mlp,clear_class_svm, clear_class_gmm, 或者clear_class_knn去销毁它。
