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。
==========================================================
下面这个示例程序展示了如何使用MLP像素分类器来分割基于纹理的图像，MLP像素分类器直接或间接地与查找表分类器（LUT）一起使用。
为了构造一个用于分类的六通道图像，使用了六个滤波器
ＬＵＴ的解释
LUT是查找表，在MLP，GMM，SVM等分类器中都有对应的LUT算子。
LUT创建完成后就包含了MLP所有的响应信息，不需要再对图片中每个像素点进行分类，所以能极大的提升速度。
LUT的缺点是，分类效果没有标准分类方式精确。
MLP对应的创建LUT的算子签名如下：
create_class_lut_mlp（：：MLPHandle，GenParamNames，GenParamValues：ClassLUTHandle）
除了算子create_class_lut_mlp本身的参数外，先前创建ＭＬＰ分类器的算子create_class_mlp的几个参数对ＬＵＴ也很重要。
NumInput,
Preprocessing,
NumComponents
create_class_mlp( : : NumInput, NumHidden, NumOutput, OutputFunction, Preprocessing, NumComponents, RandSeed : MLPHandle)
在NumInput中，定义了必须对图像进行分类的图像通道数。通过使用Preprocessing ，可以将图像通道的数量转换为NumComponents。
NumComponents定义特征向量的长度，分类器classify_class_mlp在内部处理该特征向量 。
由于性能和磁盘空间的原因，LUT被限制为最大3维。
由于它代替了运算符classify_class_mlp，因此 NumComponents必须 <= 3。
如果没有减少图像通道数量的Preprocessing（NumInput = NumComponents），则可以使用classify_class_mlp对可能出现在字节图像中的所有像素值 进行分类。
如果存在减少图像通道数量的Preprocessing（NumInput > NumComponents），则MLP的预处理参数存储在LUT的单独结构中。
为了创建LUT，所有转换后的像素值都使用classify_class_mlp进行分类。
在下面的示例程序中，为了创建ＬＵＴ，必须把添加样本，和训练ＭＬＰ的流程走完，然后才可以创建ＬＵＴ。
create_class_mlp (6, 6, 8, 'softmax', 'principal_components', 3, 42, MLPHandle) add_samples_image_class_mlp (TextureImage, ClassSamples, MLPHandle) …… train_class_mlp (MLPHandle, 200, 1, 0.01, Error, ErrorLog) …… create_class_lut_mlp (MLPHandle, [], [], ClassLUTHandle)
使用ＬＵＴ的分类（即算子classify_image_class_lut）精度比classify_image_class_mlp的低。
使用“ bit_depth”和“ class_selection”，可以控制分类的准确性。它们通过create_class_lut_mlp算子的GenParamNames，GenParamValues进行设置。
'bit_depth'： 像素使用的位数。它控制LUT分类器的存储需求，并受图像的位深限制（'bit_depth' <= 8）。 如果LUT的位深度较小（'bit_depth' < 8），则多个像素组合的类别将映射到同一LUT条目， 这可能导致分类的准确性降低。 这些群集之一包含 像素组合，其中NumComponents表示LUT的尺寸，该尺寸在create_class_mlp中指定。 例如，对于'bit_depth' = 7， NumComponents = 3，则8个像素组合的类别 映射在同一LUT条目中。 LUT最多需要 存储字节。 例如，对于NumComponents = 3， 'bit_depth' = 8和NumOutput < 16 （在create_class_mlp中指定）， LUT需要8 MB的存储空间并进行内部存储优化。 如果NumOutput = 1，则通过使用LUT的完整位深度，LUT仅需要2 MB的存储空间。 如果LUT适合缓存，则classify_image_class_lut中分类的运行时将变得最少。 该默认值是8，典型的值是[ 6，7，8 ]。限制：'bit_depth' > = 1， 'bit_depth' <= 8。 'class_selection'： LUT的类别选择方法。可以修改以控制创建LUT分类器所需的准确性和运行时间。 如果LUT的位深度最大，则将忽略“ class_selection”中的值，因此“ bit_depth” = 8成立。 如果LUT的位深度较小（'bit_depth' < 8），则多个像素组合的类别将映射到同一LUT条目。 这些群集之一包含 像素组合，其中NumComponents表示LUT的尺寸，该尺寸在create_class_mlp中指定。 通过选择 'class_selection' = 'best'，群集中最常出现的类存储在LUT中。 对于“ class_selection”＝“ fast”，仅对簇的一个像素，即，具有最小值的像素（逐分量）进行分类。 返回的类存储在LUT中。在这种情况下，后续分类的准确性可能会降低。 另一方面，可以减少创建LUT所需的运行时间，这与LUT所需的最大存储空间成正比，该存储空间由定义。 该缺省值是“快”，可能的值为[ “快”，“最好”。 'rejection_threshold'： 拒绝MLP的不确定分类点的阈值。 该参数表示分类返回的概率度量的阈值（请参阅classify_class_mlp和 valuate_class_mlp）。 概率低于“ rejection_threshold”的所有像素 均未分配给任何类别。的默认值是0.5。 限制：'rejection_threshold' > = 0， 'rejection_threshold' <= 1。
演示程序运行结果解释
首先设置8个类的采样框。
训练完成后，再创建LUT。
create_class_lut_mlp (MLPHandle, [], [], ClassLUTHandle)
创建LUT需要一点时间，但是后面进行分类时会极大的提高速度。
接下来对比使用LUT的分类和不使用LUT的分类，两种情况下的时间对比。
使用LUT分类用：
classify_image_class_lut (TextureImage, ClassRegionsLUT, ClassLUTHandle)
普通分类（不用LUT）用：
classify_image_class_mlp (TextureImage, ClassRegions, MLPHandle, 0.5)
从结果中以看到，基LUT的分类速度是标准分类方式的2.5倍。
请注意，例程中也提到了： 虽然LUT速度快了，但是分类结果还是标准分类最准确。
dev_update_off ()
dev_close_window ()
dev_open_window (0, 0, 512, 512, 'black', WindowHandleL)
dev_set_draw ('margin')
dev_set_line_width (3)
dev_set_colored (12)
set_display_font (WindowHandleL, 14, 'mono', 'true', 'false')
read_image (Image, 'combine')
dev_display (Image)
*
* 使用6个texture_laws过滤器
texture_laws (Image, ImageTexture1, 'ee', 5, 7)
texture_laws (Image, ImageTexture2, 'ss', 2, 7)
texture_laws (Image, ImageTexture3, 'rr', 0, 7)
texture_laws (Image, ImageTexture4, 'ww', 0, 7)
texture_laws (Image, ImageTexture5, 'le', 7, 7)
texture_laws (Image, ImageTexture6, 'el', 7, 7)
*
* 计算纹理过滤器输出的局部平均值
MaskWidth := 41
mean_image (ImageTexture1, ImageMean1, MaskWidth, MaskWidth)
mean_image (ImageTexture2, ImageMean2, MaskWidth, MaskWidth)
mean_image (ImageTexture3, ImageMean3, MaskWidth, MaskWidth)
mean_image (ImageTexture4, ImageMean4, MaskWidth, MaskWidth)
mean_image (ImageTexture5, ImageMean5, MaskWidth, MaskWidth)
mean_image (ImageTexture6, ImageMean6, MaskWidth, MaskWidth)
compose6 (ImageMean1, ImageMean2, ImageMean3, ImageMean4, ImageMean5, ImageMean6, TextureImage)
*
* 为八个类创建训练区域
gen_empty_obj (ClassSamples)
R1 := 10
dR := 255
C1 := 80
dC := 125
W := 10
H := 225
for Row := R1 to R1 + dR by dR
for Col := C1 to C1 + 3 * dC by dC
gen_rectangle1 (ClassSample, Row, Col, Row + H, Col + W)
concat_obj (ClassSamples, ClassSample, ClassSamples)
endfor
endfor
dev_display (ClassSamples)
disp_message (WindowHandleL, 'ROIs for the training data', 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandleL, 'black', 'true')
stop ()
*
* 创建MLP分类器，添加样本，并对其进行训练
create_class_mlp (6, 6, 8, 'softmax', 'principal_components', 3, 42, MLPHandle)
add_samples_image_class_mlp (TextureImage, ClassSamples, MLPHandle)
dev_display (Image)
dev_display (ClassSamples)
Message := 'Training MLP classifier ...'
disp_message (WindowHandleL, Message, 'window', 12, 12, 'black', 'true')
train_class_mlp (MLPHandle, 200, 1, 0.01, Error, ErrorLog)
Message := 'Training MLP classifier ... ready.'
disp_message (WindowHandleL, Message, 'window', 12, 12, 'black', 'true')
*
* 创建MLP基于LUT的分类器
Message[1] := 'Creating MLP-based LUT classifier ...'
disp_message (WindowHandleL, Message, 'window', 12, 12, 'black', 'true')
count_seconds (t1)
create_class_lut_mlp (MLPHandle, [], [], ClassLUTHandle)
count_seconds (t2)
TimeLUTCreate := t2 - t1
Message[1] := 'Creating MLP-based LUT classifier ... ready.'
Message[2] := 'Time to create the LUT: ' + TimeLUTCreate$'.2f' + ' s'
disp_message (WindowHandleL, Message, 'window', 12, 12, 'black', 'true')
disp_continue_message (WindowHandleL, 'black', 'true')
stop ()
*
* 用基于MLP的LUT分类器对图像进行分割（分类）.
count_seconds (t1)
for Index := 1 to 100 by 1
classify_image_class_lut (TextureImage, ClassRegionsLUT, ClassLUTHandle)
endfor
count_seconds (t2)
TimeLUT := (t2 - t1) / 100
dev_set_draw ('fill')
dev_display (ClassRegionsLUT)
disp_message (WindowHandleL, 'Result of the LUT classifier\nTime to classify: ' + TimeLUT$'.4f' + ' s', 'window', 12, 12, 'black', 'true')
*
* 用MLP分类器对图像进行分割（分类）。
* 注：直接使用MLP分类器的结果更准确，因为基于MLP的LUT分类器需要对减少的信道进行离散化
dev_open_window (0, 512 + 5, 512, 512, 'black', WindowHandleR)
dev_set_draw ('fill')
dev_set_line_width (3)
dev_set_colored (12)
dev_display (Image)
set_display_font (WindowHandleR, 14, 'mono', 'true', 'false')
count_seconds (t1)
classify_image_class_mlp (TextureImage, ClassRegions, MLPHandle, 0.5)
count_seconds (t2)
TimeMLP := t2 - t1
dev_display (ClassRegions)
disp_message (WindowHandleR, 'Result of the MLP classifier\nTime to classify: ' + TimeMLP$'.4f' + ' s', 'window', 12, 12, 'black', 'true')
TimeSpeedUpMLP := (TimeMLP / TimeLUT - 1.0) * 100.0
disp_message (WindowHandleL, 'Speed-Up: ' + TimeSpeedUpMLP$'.2f' + ' %', 'image', 60, 12, 'dark green', 'true')---------------------
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！
