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。
==========================================================
上篇例子虽然讲了“新奇检测”，但是用的2D数据做的演示，更偏重于可视化原理演示。
http://www.skcircle.com/?id=1645
本篇是实际应用，把新奇检测用于网格缺陷检测。
这个网格检测的例子，已经被MLP, GMM都应用过了，现在轮到SVM来试一把了。
MLP的例子：http://www.skcircle.com/?id=1488
GMM的例子：http://www.skcircle.com/?id=1630
不过在MLP中，没有所谓“新奇检测”，而是称为“拒绝采样策略”。
识别为OK的。
识别为ng的
无论是GMM还是SVM的新奇检测，因为这个例子的NG实在是太明显、太大、而且背景专一，所以才看上去效果不错。
现实中，缺陷背景复杂多变，缺陷形态完全随机、大小颜色各有不同，难度可比这个例子大多了。
*这个示例程序向您展示了如何使用SVM分类器的新奇检测模式来执行网络缺陷检查任务。
*新奇检测基本上将训练样本中不包含的特征向量分类为一个新类（因此得名）。
*对于网格检测任务，支持向量机可以用来检测与训练好的物体的纹理不一致的纹理。
*
dev_update_off ()
read_image (Image, 'plastic_mesh/plastic_mesh_01')
get_image_size (Image, Width, Height)
dev_close_window ()
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
dev_set_color ('red')
set_display_font (WindowHandle, 16, 'mono', 'true', 'false')
*用于分类的纹理过滤器将返回图像边界处的伪影，因为要检查的塑料网格的图像不包含整数个网格单元。
*由于这会导致图像边界错误检测，因此必须将图像边界附近的区域排除在训练和分类之外。
*这是通过以下矩形完成的。请注意，该图像稍后将按两倍的比例缩小
gen_rectangle1 (Rectangle, 10, 10, Height / 2 - 11, Width / 2 - 11)
* Create the SVM classifier with the novelty detection mode.
create_class_svm (5, 'rbf', 0.01, 0.0005, 1, 'novelty-detection', 'normalization', 5, SVMHandle)
* The training is based on five images that contain no errors.
for J := 1 to 5 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
* 由于网格的分辨率非常高，图像被缩小。这节省了大量的处理时间。
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
dev_display (ImageZoomed)
disp_message (WindowHandle, 'Adding training samples...', 'window', 12, 12, 'black', 'true')
* 利用texture_laws算子处理后的图片.
gen_texture_image (ImageZoomed, ImageTexture)
* 添加采样到svm.
add_samples_image_class_svm (ImageTexture, Rectangle, SVMHandle)
endfor
dev_display (ImageZoomed)
disp_message (WindowHandle, 'Training SVM...', 'window', 12, 12, 'black', 'true')
* 训练支持向量机。这会产生相当多的支持向量.
train_class_svm (SVMHandle, 0.001, 'default')
* 为了提高分类速度，减少支持向量的个数.
reduce_class_svm (SVMHandle, 'bottom_up', 2, 0.001, SVMHandleReduced)
* 现在检测塑料网格中的错误.
dev_set_draw ('margin')
dev_set_line_width (3)
for J := 1 to 14 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
dev_display (ImageZoomed)
dev_set_color ('white')
dev_display (Rectangle)
gen_texture_image (ImageZoomed, ImageTexture)
reduce_domain (ImageTexture, Rectangle, ImageTextureReduced)
* 利用支持向量机进行新颖性检测.
classify_image_class_svm (ImageTextureReduced, Errors, SVMHandleReduced)
* 对返回的原始错误进行后处理，以删除检测到的错误中不重要的部分.
opening_circle (Errors, ErrorsOpening, 3.5)
closing_circle (ErrorsOpening, ErrorsClosing, 10.5)
connection (ErrorsClosing, ErrorsConnected)
select_shape (ErrorsConnected, FinalErrors, 'area', 'and', 300, 1000000)
count_obj (FinalErrors, NumErrors)
dev_set_color ('red')
dev_display (FinalErrors)
if (NumErrors > 0)
disp_message (WindowHandle, 'Mesh not OK', 'window', 12, 12, 'red', 'true')
else
disp_message (WindowHandle, 'Mesh OK', 'window', 12, 12, 'forest green', 'true')
endif
if (J < 14)
disp_continue_message (WindowHandle, 'black', 'true')
endif
stop ()
endforgen_texture_image函数的代码：
* 纹理图像是一个五通道的图像，它包含了应用五种不同的滤波法则 *（基本上对应于一阶导数和二阶导数）并对它们进行充分平滑的结果 texture_laws (Image, ImageEL, 'el', 5, 5) texture_laws (Image, ImageLE, 'le', 5, 5) texture_laws (Image, ImageES, 'es', 1, 5) texture_laws (Image, ImageSE, 'se', 1, 5) texture_laws (Image, ImageEE, 'ee', 2, 5) compose5 (ImageEL, ImageLE, ImageES, ImageSE, ImageEE, ImageLaws) smooth_image (ImageLaws, ImageTexture, 'gauss', 5) return ()
---------------------
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！
