高斯混合模型(GMM)分类的理论有点复杂。当处理分类时候，基本理论之一就是贝叶斯决策规则。一般，贝叶斯决策规则告诉我们，通过最大化特征向量x属于某类的可能性，来最小化错分特征向量的可能性。这个所谓的“后验概率”应该在所有的类别中被最大化。然后，贝叶斯决策规则将特征空间划分为相互不连接的区域。这些区域被超平面所分割，例如对于1D数据被点分割，或者2D数据被曲线分割。尤其是，超平面是由点定义的，相邻的两个类是等可能的。贝叶斯决策规则可以被表示如下：其中:：后验概率：先验概率，假设特征向量的类是，则特
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
最近在项目中要进行图像的特征提取工作，为了便于以后查阅和使用，遂写博客以记录。 说到图像的纹理特征，大家能想到的就是灰度共生矩阵（Gray-Level Co-Occurrence Matrix, GLCM）、灰度游程矩阵（Gray-Level Run-Length Matrix, GLRLM)、局部二值模式（Local Binary Pattern, LBP）和方向梯度直方图（Histogram of Oriented Gradient, HOG)。 这篇博文主要总结一下灰度游程矩阵，顾名
在进行纹理分析时计算纹理周期有很大作用，而自相关函数用来计算纹理周期具有很好的效果。要计算纹理图像的自相关函数值，可以使用matlab里面的xcorr2函数。具体代码如下：clear;clc;
I = imread('1.jpg');
GRAY=rgb2gray(I);
LENGTH=40;
WIDTH=size(I,2);
HEIGHT=size(I,1);
MED=medfilt2(GRAY);
corr=xcorr2(MED);
for&
本篇文章仅为本人加深图像处理算法的理解，有不严谨的地方，不作为学习的参考。参考书籍：精通Matlab数字图像处理与识别，张铮等，人民邮电出版社。局部二进制模式（LBP），最早用于图像纹理的描述，其在描述局部区域的特征方面有着卓越的能力。1.理论基础图像多为分区图像，标准的LBP直方图的维数较高，且局部直方图过于稀疏。基于此提出统一化模式的概念。统一化模式：二进制串***循环***变化的次数小于等于2.大于2的为非统一化模式。每个统一化模式占一个收集箱，非统一化模式统一占一个收集箱。如8邻域，收集
Tamura 纹理特征我这篇文章主要是参考的Tamura纹理特征的matlab实现。本来没打算写这篇博客的，结果在写文章的时候各种找文献资料，都很难找到比较好的解释Tamura的文章。很多人的文章都是含糊其辞，要么就是排版稀烂，没法看。实在受不了自己写一个高大全的Tamura特征的博客，既方便自己也方便别人。原始出处原理解释代码展示原始出处最原始的Tamura的论文《Textural Features Corresponding to Visual Perception》，IEEE上的这篇论文，
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