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。
==========================================================
这个示例程序演示了如何使用MLP分类器进行新奇检测来执行网络纹理检查任务。
为了执行新奇检测，在内部训练拒绝类。
对于网络纹理检查任务，MLP随后可用于检测与训练好的对象的纹理不一样的纹理。
示例程序的效果。
dev_update_off ()
*
ReadPretrainedClassifier := false
* 取消对以下行的注释以从磁盘读取预训练分类器。
* 训练可能持续半分钟
* ReadPretrainedClassifier := true
SaveClassifier := false
* 取消对以下行的注释，以便在训练后将MLP分类器写入磁盘.
SaveClassifier := true
*
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')
get_system ('example_dir', HalconExamples)
*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。
*因为这会导致错误地检测到图像边界的错误，
*在训练和分类时，必须将图像边界附近的区域排除在外。
*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)
if (ReadPretrainedClassifier)
* 从磁盘读取预训练分类器.
dev_display (Image)
disp_message (WindowHandle, 'Reading classifier from disk...', 'window', 10, 10, 'black', 'true')
read_class_mlp (HalconExamples + '/hdevelop/Segmentation/Classification/novelty_detection.gmc', MLPHandle)
wait_seconds (1.5)
else
* 创建MLP分类器.
create_class_mlp (5, 9, 2, 'softmax', 'principal_components', 3, 42, MLPHandle)
* 训练是基于五张没有错误的图片.
gen_empty_region (EmptyRegion)
concat_obj (Rectangle, EmptyRegion, ObjectsConcat)
for J := 1 to 5 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
* 由于网格的分辨率非常高，图像被缩小。这节省了大量的处理时间
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
dev_display (ImageZoomed)
disp_message (WindowHandle, 'Adding training samples...', 'window', 10, 10, 'black', 'true')
* 生成纹理图像（是个自定义本地函数）.
gen_texture_image (ImageZoomed, ImageTexture)
* 将样本添加到分类器.
add_samples_image_class_mlp (ImageTexture, ObjectsConcat, MLPHandle)
endfor
dev_display (ImageZoomed)
* 现在配置MLP，在训练期间添加拒绝类.
set_rejection_params_class_mlp (MLPHandle, 'sampling_strategy', 'hyperbox_ring_around_each_class')
set_rejection_params_class_mlp (MLPHandle, 'rejection_sample_factor', .3)
* 训练MLP.
disp_message (WindowHandle, 'Training MLP...', 'window', 10, 10, 'black', 'true')
train_class_mlp (MLPHandle, 200, 1, 0.01, Error, ErrorLog)
if (SaveClassifier)
write_class_mlp (MLPHandle, HalconExamples + '/hdevelop/Segmentation/Classification/novelty_detection.gmc')
endif
endif
* 现在检测塑料网格中的错误.
dev_set_draw ('margin')
dev_set_line_width (3)
for J := 1 to 14 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'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)
* 用MLP对训练类样本进行分类.
classify_image_class_mlp (ImageTextureReduced, ClassRegions, MLPHandle, 0.5)
* 对返回的原始错误进行后期处理，以删除检测到的错误中不重要的部分
* Correct是分出来的ok类， Errors是错误类
select_obj (ClassRegions, Correct, 1)
select_obj (ClassRegions, Errors, 2)
opening_circle (Errors, ErrorsOpening, 2.5)
closing_circle (ErrorsOpening, ErrorsClosing, 12.5)
connection (ErrorsClosing, ErrorsConnected)
select_shape (ErrorsConnected, FinalErrors, 'area', 'and', 20, 1000000)
count_obj (FinalErrors, NumErrors)
dev_set_color ('red')
dev_display (FinalErrors)
if (NumErrors > 0)
disp_message (WindowHandle, 'Mesh not OK', 'window', 10, 10, 'red', 'true')
else
disp_message (WindowHandle, 'Mesh OK', 'window', 10, 10, 'forest green', 'true')
endif
if (J < 14)
disp_continue_message (WindowHandle, 'black', 'true')
endif
stop ()
endforgen_texture_image函数
*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', 3) return ()
在MLP, GMM, SVM中均有这个新奇检测的例子。
这个例子的关键在于gen_texture_image函数在训练MLP和分类时都对原图进行了5通道处理，处理的时候采用了texture_laws纹理滤波。
如果直接对源图做训练和分类，效果会很差。
---------------------
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！
本文出自勇哥的网站《少有人走的路》wwww.skcircle.com，转载请注明出处！讨论可扫码加群：
