这是网上写得比较好的一篇贴子，勇哥转载一下以方便大家。讲的都是基础的region操作。1、区域的运算在学习特征分析之前，先了解一下几个区域的基本运算方式。区域的运算主要包含：区域作差、区域合并、区域集合、区域的选择、区域的填充、区域的骨架等。在项目中，根据实际需要，灵活的选择相应的计算方式。在Halcon创建两个矩形，作为后面算子测试用：*生成两个矩形区域
gen_rectangle1 (Rectangle1, 123, 196, 186, 3
目录1、图像边缘提取原理2、边缘提取算子介绍3、图像的亚像素边缘提取4、亚像素轮廓的特征分析5、xld的分割及直线拟合6、圆及椭圆的拟合7、中心线的提取1、图像边缘提取原理网上搜索图像边缘提取，有很多详细的讲解，就是讲的都太深奥，很难看明白。图像边缘提取原理并不复杂，至于一些大牛提供的复杂变换公式，也没必要深入的去研究，halcon都已经在算子中将其封装好了，我们会用就行。边缘的定义：边缘是图像中灰度发生明显变化的地方，是不同灰度区域之间的界限。图像的每个像素点的灰度值用矩阵来表示，那么画竖线的
* This example program shows how to classify different
* metal parts using a general MLP classification
*
dev_update_off ()
dev_close_window ()
dev_open_w
一般说法是gmm分类器可以用于缺陷检测，mlp不支持缺陷检测。勇哥还是想试试mlp到底能不能用于缺陷检测。于是有了下面的实验。这个实验用到的图片，原来是gmm分类器的一个倒子用到的。dev_close_window()
read_image (Image, 'plastic_mesh/plastic_mesh_01')
get_image_size (Image, Width, Height)
dev_open_wind
神经网络直接决定类与类之间的separating hyperplanes（分离超平面），而超平层分隔开两个类的特征向量，落在在层的一边的特征向量属于class 1，落在另一边则属于class 2。基于单层神经网络的分类器需要 linearly separable classes（线性可分的类），在许多应用中不够高效。基于多层神经网络的分类器则无此限制，只要隐藏层包含足够多的处理单元即可。神经网络神经网络每一层的处理单元计算特征向量的线性组合或者来自前一层的结果。参数说明：要使用MLP去
* This example program shows you how to use the GMM classifier for novelty
* detection to perform a web inspection task. To perform&n
总结一下高斯混合模型的处理步骤：1. 创建一个高斯混合模型分类器（创建训练对象）例如：create_class_gmm(3, 5, 1, 'full', 'none', 3, 42, GMMHandle)意指：在3维图形中，创建一个用查找5种类级的高斯混合模型2. 将类级的图形区
Chapter 1:Classification 用于各类分类操作，其中包括对高斯混合模型的操作、对分类器的相关操作、对感知器的相关操作以及对支持向量机的相关操作。Chapter 2 ：Control ，用于程序的执行控制。包括程序常用的跳转语句，比如continue、if/else、for等等。Chapter3 :Develop，主要用于窗口的操作，比如窗口的关闭、显示等。Chapter 4 :File，主要用于图片的读取和写入、文件的打开和关闭等。Chapter 5:Filter，主要用于图
强大的Halcon的分类器有三种MLP、SVM、GMM，在这里为大家详细介绍GMM，原理的东西自己百度吧，这里主要讲GMM库怎么用，希望对大家有用creat_class_gmm();含义：创建高斯混合模型；输入参数： NumDim：几个特征；NumClasses:样本分类个数；NumCenters:类中心的个数；CovarType:协方差矩阵（'Spherical','diag','full'）Preprocessing:预处理是否使用
一般我们见到的简单的图像处理都是空间域的处理。即图像是一个二维图像，每个点都有对应的坐标。图像的频域理解起来并不是那么简单，因此我在这里说一下个人理解，希望帮助到需要帮助的人。本篇博文使用Halcon软件的示例以及图像进行展示。首先需要说明的几点知识：1.如果需要看频谱图是要进行傅里叶变换的，图像的傅里叶变换其实是将图像的灰度分布函数变换为图像的频率分布函数。2.图像的频域中的高频分量对应图像的细节信息，图像低频分量对应图像的轮廓信息。高频分量代表的是信号的突变部分（即灰度值梯度大），而低频分量