处理要求椭圆/圆环（产品易变形，为椭圆）内外圆毛刺（凸起）缺口（凹陷）检测。处理方法1方法一思路1、这是一个圆环产品检测，我们可以通过产品区域与标准圆环进行比较得出不良区域。2、为了避免误检、误判，我们可以通过区域筛选阈值偏移的方法滤除干扰区域，可以将标准圆环放大消除一些圆度导致干扰。3、根据不同用户的精度要求，可以通过调节缺陷面积进行筛选。4、方法1的代码量有点多，但是更贴近工业现场使用。方法一halcon源码dev_close_window ()read_image (I
（一）halcon标定步骤1、创建标定数据模型使用算子 create_calib_data( : : CalibSetup, NumCameras, NumCalibObjects : CalibDataID)CalibSetup：创建的内容NumCameras：相机个数NumCalibObjects ：标定项目数CalibDataID：标定句柄例如：create_calib_data (‘calibration_object’, 1, 1, CalibDataID)2、设置相机内部初
halcon标定助手里选择摄像机模型时，要你选择面阵相机的类型，有：面扫描（除法）、面扫描（多项式）由于翻译的问题，这两种类型有时也称为：division(分工)模型和polynomial(多项式)模型下面是两者的区别：3D相机模型面扫描针孔相机：面扫描相机使用一个镜头来进行中心投影，图像可能会出现径向和切向畸变。面扫描远心相机：面扫描相机使用一个远心镜头来进行平行投影，图像可能会出现径向和切向畸变。线扫描针孔相机：线扫描相机使用一个镜头来进行中心投影，图像可能会出现径向畸变。对于面扫描相机,点
Halcon中增强图像的对比度也是预处理中的一环，主要有如下方式：1. 灰度变换a. scale_image 原理：可以理解为用一个模板扫描图像中的每一个像素，模板中像素最大值和最小值的差作为模板中心像素点的值。 作用：拉开图像的对比度，让图像中黑的地方更黑，亮的地方更亮。b. scale_image_max:将灰度值拉伸到0-2552. 增强图像对比度a. emphasize 增强图像的高频区域
名称calibrate_hand_eye —执行手眼校准。原型calibrate_hand_eye( : : CalibDataID : Errors)描述操作员根据校准数据模型确定机器人（“手”）相对于相机或3D传感器（“眼睛”）的3D姿势。借助确定的3D姿态，可以将摄像机坐标系中的校准对象的姿态转换为机器人的坐标系，然后可以例如抓取被检零件。机器人摄像机（手眼）系统有两种可能的配置：摄像机可以安装在机器人上，也可以静止不动并观察机器人。请注意，机器人一
机器人奇点是个让生产商和用户都很头痛的问题，碰上了，严重点可能造成“机毁人亡”。那到底什么是机器人奇点，它是怎么形成的，怎么样才能避免机器人奇点？下面这篇文章由Robotiq公司的Alex Owen-Hill撰写，它能让你全面了解这些烦人的问题。如果你对科学感兴趣，“奇点”很可能会让你想起黑洞。自从美国LIGO实验室证明了引力波的存在之后，黑洞就被媒体广泛报道，为大众所熟知。根据物理学家推论，在黑洞的中心，存在一个“引力奇点”，这意味着那里的引力非常大，甚至趋于无穷大。机器人奇点的概念跟黑洞完全
这个功能是region里面的一个偏门的功能。纯了解一下，暂时不知道能有啥子用途。行程编码（Run-Length Encoding）
仅存储一个像素值以及具有相同颜色的像素数目的图象数据编码方式称为行程编码，或称游程编码，常用RLE（Run-Length Encoding）表示。
该压缩编码技术相当直观和经济，运算也相当简单，因此解压缩速度很快。
RLE压缩编码尤其适用于计算机生成的图形图像，对减少存储容量很有效果。
在此方式下每两个字节组成一个信息单元。第一个字节给出
不改变坐标原点的位置和单位长度，只改变坐标轴方向的坐标系的变换，叫做坐标轴的旋转． 设点M在原坐标系中的坐标为(x,y)，对应向量的模为r，幅角为．将坐标轴绕坐标原点，按照逆时针方向旋转角形成新坐标系，点M在新坐标系中的坐标为（如图2-4），则 由此得到坐标轴的旋转的坐标变换公式 平面上一点x1,y1,绕平面上另一点x2,y2顺时针旋转θ角度 ，怎么求旋转后的x1,y1对应的坐标x，yx=(x1-x2)cosθ-(y1-y2)sinθ+x2y
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算