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&nbs
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&nbs
region_features名称region_features —计算区域的形状特征。签名region_features（地区：：功能：价值）描述运算符region_features从Regions中为每个输入区域计算指示的特征（Feature）。对于可能的值特点：basicarea '区'：物体面积row '行'：中心行索引column '列'：中心列索引'row1'：左上角的
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&nbs
get_calib_data_observ_pose名称get_calib_data_observ_pose —从校准数据模型中获取观察到的校准对象的姿势。签名get_calib_data_observ_pose（：：CalibDataID，CameraIdx，CalibObjIdx，CalibObjPoseIdx：ObjInCameraPose）描述操作员get_calib_data_observ_pose从校准数据模型CalibDataID读取相机坐标系中给出的校准对象的姿态。观测
create_pose名称create_pose —创建3D姿势。签名create_pose（：：TransX，TransY，TransZ，RotX，RotY，RotZ，OrderOfTransform，OrderOfRotation，ViewOfTransform：Pose）描述create_pose创建3D姿势Pose。姿势描述了刚性3D变换，即由任意平移和旋转组成的变换，具有6个参数： TransX， TransY和TransZ分别指定沿x轴，y轴和z轴的平移
read_pose名称read_pose —从文本文件中读取3D姿势。签名read_pose（：：PoseFile：Pose）描述read_pose用于从名称为PoseFile的文本文件中读取3D姿势Pose。3D姿势的默认HALCON文件扩展名是'dat'。姿势描述了一个刚性3D变换，即由任意平移和旋转组成的变换，具有6个参数，三个用于平移，三个用于旋转。使用第七个参数，可以指示不同的姿势类型（请参见create_pose）。合适的文件可以由操作员write_pose
create_calib_data名称create_calib_data —创建一个HALCON校准数据模型。签名create_calib_data（：：CalibSetup，NumCameras，NumCalibObjects：CalibDataID）描述操作员create_calib_data创建一个通用的校准数据模型，该模型存储相机校准设置的说明，校准过程的设置，校准数据，以及相机校准或手眼校准的结果。在参数CalibSetup中，指定校准设置类型。当前支持五种类型。基于从校准
set_dl_classifier_param名称set_dl_classifier_param —设置基于深度学习的分类器的参数。签名set_dl_classifier_param（：DLClassifierHandle，GenParamName，GenParamValue：）描述set_dl_classifier_param设置参数和超参数 GenParamName神经网络的DLClassifierHandle 到值GenParamValue。预训练的分类器已
分类本章说明了如何在训练和推理阶段使用基于深度学习的分类。基于深度学习的分类是一种方法，其中图像获得一组分配的置信度值。这些置信度值指示图像属于每个区别类别的可能性。因此，如果仅考虑最高预测，则分类意味着将给定类别集中的特定类别分配给图像。下面的模式对此进行了说明。orange:0.03apple:0.85lemon:0.12一个可能的分类示例，其中网络区分三个类别。输入图像获得为三个不同类别中的每个类别分配的置信度值：“苹果” 0.85，“柠檬” 0.03和“橙色” 0.12。最高预测告诉我们