如下图，要选择中图中的白色线。因为粘连的原因，第二根线用阈值不好搞 。勇哥花点工夫研究了一下。直觉告诉我应该是有办法的，结果整了四十分钟。结果如下：read_image (Qq20201118202348, 'C:/Users/Administrator/Desktop/QQ图片20201118202348.png')
var_threshold(Qq20201118202348, Region, 2,2, 0.1,&nbs
某人问怎么分割出下图蓝色那部分。附带要求是：要转灰度再干虽然是奇怪的要求，但是随便，高兴就好。因为蓝色部分未来可能是其它的颜色，都要求能适应。这图直接转灰度是不好处理的，如下：不过……这个问题让勇哥想起很久以前写的一篇贴子，有关hsv颜色空间处理图片的小例子https://www.skcircle.com/?id=324 这里可以用得上。read_image (Image20201116160718, 'C:/Users/Administrator.PC8-201910
如题所示标题，想同时表达两个意思：1：缩放平移绘制区域，2：创建模板匹配区域并保存。被一个技术问题卡住折腾了近大半天时间+熬夜2个小时，经过不懈努力，反复验证各参数意义，找到了问题的原因，终于攻克难题。分享给需要的朋友。效果如下：思路如下：首先鼠标滚轮缩放，按压鼠标左键平移的鼠标事件组合：MouseDown,MouseUp,MouseMove,MouseWheelEvent,具体为：void AddEvent()
如下图所示为偏转摆正后的图像，截取“PROD”固定字符创建NCC模板 ；NCC 算法= normalized cross correlation，归一化互相关匹配法创建模板* 图像增强
scale_image (ImageReduced, ImageScaled, 2.74194, -129)
threshold (ImageScaled, Regions, 179, 25
矫正图像对于Blob分析或者OCR的应用，具有不变形的图像是很有必要的。假设一个OCR已经基于不变形图像数据被训练，然后，它将不能识别变形很严重的字符。在这样的情况下，图像数据必须被矫正，如在OCR应用之前，镜头和透视畸变必须被消除。转换图像到WCS算子image_to_world_plane通过将其转化到测量平面来矫正一张图像，例如WCS中z=0的平面。被矫正的图像没有镜头和透视畸变。其对应一张被没有镜头畸变的相机拍摄的图像，看起来是垂直于测量平面的。如果超过一张图像必须被矫正，一张映射图可以
halcon中有一组纹理修复的算子，比较有趣。我们来了解一下，也许在以后的某个项目中可以用得上也保不准。它们是：harmonic_interpolation功能：对一个图像区域执行谐波插值。inpainting_aniso功能：通过各向异性扩散执行图像修复。inpainting_ced功能：通过一致性增强扩散执行图像修复。inpainting_ct功能：通过连贯传送执行图像修复。inpainting_mcf功能：通过水平线平滑执行图像修复。inpainting_texture功能：通过结构传导执
这个例子中，在相机聚焦清晰的图片中创建一个ncc的模板。随后，相机变焦数次，然后在这些失焦的图片中再模板，可以看到ncc相关性模板匹配很好的适合了图片的这种变化，稳定的找到了模板。聚焦清楚的图变焦严重的情况下准确的找到模板演示代码：dev_update_off ()
read_image (Image, 'smd/smd_on_chip_05')
get_image_size (Image, Width, Heigh
文章目录检测任务检测思路点胶质量检测代码及解析图示处理思路检测任务点胶检查检测以下缺陷：1.缺少粘合胶的部分（断胶）2.粘合剂过多或过少的部分（溢胶、缺胶）3.粘合胶离其预定位置太远（点胶偏移）halcon对应示例程序：apply_bead_inspection_model.hdev效果图示：检测思路示例程序的图像处理思路：1.使用halcon的可变形模板匹配，将检测物品转正，方便检测这里我们用的较少，因为我们平时在做点胶检测的时候，用普通的模板匹配，还有普通的2D仿射变换就可以保证图像的一致性
halcon的这种纹理检测模型使用起来相当方便。只需要下面几个步骤：创建纹理检测模型create_texture_inspection_model读多张图，选择图片中的一片没纹理正常的ROI传给检测模型设置训练参数 set_texture_inspection_model_param开始训练 train_texture_inspection_model读取要检测的图片，apply_texture_inspection_model进行检测，直接就能输出缺陷的regi
粘连的东西，最常见的思路是进行腐蚀，缩小region。用下面的思路也是可以的。（1）简单的阈值分割；（2）计算连通域connection；（3）基于距离变换的分水岭区域分割，使用算子distance_tansform,watersheds（4）盆地与原连通域求交集，分离粘连颗粒；演示程序如下：*采集图像
dev_close_window ()
read_image (Image, 'pellets')
*计算图片大小，并以原图尺寸显示
g