NCC匹配基于Normalized cross correlation(NCC)用来比较两幅图像的相似程度已经是一个常见的图像处理手段。在工业生产环节检测、监控领域对对象检测与识别均有应用。NCC算法可以有效降低光照对图像比较结果的影响。而且NCC最终结果在0到1之间，所以特别容易量化比较结果，只要给出一个阈值就可以判断结果的好与坏。传统的NCC比较方法比较耗时，虽然可以通过调整窗口大小和每次检测的步长矩形部分优化，但是对工业生产检测然后不能达到实时需求，通过积分图像实现预计算，比较模板图像与生
德国MVTec公司开发的HALCON机器视觉开发软件，提供了许多的功能，在这里我主要学习和研究了其中的形状匹配的算法和流程。HDevelop开发环境中提供的匹配的方法主要有三种，即Component-Based、Gray-Value-Based、Shape-Based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配。这三种匹配的方法各具特点，分别适用于不同的图像特征，但都有创建模板和寻找模板的相同过程。这三种方法里面，我主要就第三种－基于形状的匹配，做了许多的实验，因此也
初始时刻，我们准备好参考图像，并对其做一定的处理，然后我们需要从参考图像中导出模板，也就是将参考图像裁剪成所谓的模板图像。获取模板图像可以通过设置ROI来完成。对于某些应用来说，也可以使用综合模板代替模版图像。综合模板既可以是综合创造的模板图像，也可以是一个XLD轮廓。裁剪参考图像，使之成为模板图像为了创建模板图像，我们需要从参考图像中选取ROI，并使用 reduce_domain裁剪图像的定义域为我们选取的ROI。这样我们就创建了模板图像，后续将作为匹配算子的输入参数。选取ROI有两种方法：直
任务：选出图中的白色圆形区域；使用基于灰度的模板匹配，主要使用以下算子：add_channels() ——把灰度值添加到区域中。best_match() ——寻找一个模板和一个图像的最佳匹配。dev_clear_window ()
read_image (Image, 'C:/Users/Administrator/Desktop/image.bmp')
gen_circle (ROI_0, 325.238, 132
halcon的模板匹配种类有很多种，方法各有优缺点，一般有基于灰度的匹配，基于形状的匹配等等，这里具体理论和方法不做详解，只简单总结一个实例。图像匹配一般需要对旋转放缩进行处理，另外为了提高搜索效率，常用用图像金字塔来处理模板图像，图像金子塔就是把图像按一定算法，缩小为不同比例的模板，减少像素。一般的模板匹配流程如下：所以首先创建模板，模板的创建就是采集一张自己需要的原始图像，如下我采集的原始图像：我需要的是银联那个标志，生成模板的源代码如下：read_image (Image,&nb
create_shape_model创建模板，这个函数有许多参数，其中金字塔的级数由Numlevels指定，值越大则找到物体的时间越少，AngleStart和AngleExtent决定可能的旋转范围，AngleStep指定角度范围搜索的步长；这里需要提醒的是，在任何情况下，模板应适合主内存，搜索时间会缩短。对特别大的模板，用Optimization来减少模板点的数量是很有用的；MinConstrast将模板从图像的噪声中分离出来，如果灰度值的波动范围是10，则MinConstrast应当设为10
注：本文内容大量引用了王成群所著《Halcon工业使用教程》第二册中9.1.3 find_shape_mode的内容。 HALCON中最实用的算子find_shape_model，该算子通过模板在图像中寻找没有几何缩放的目标。本文重点对其主要参数进行了归纳整理。通过对该参数的分析，得出通过优化匹配角度、金字塔层数以及贪婪度可减少模板寻找的时长。 find_shape_model(Image : : Mode
halcon软件最高效的一个方面在于模板匹配，号称可以快速进行柔性模板匹配，能够非常方便的用于缺陷检测、目标定位。下面以一个简单的例子说明基于形状特征的模板匹配。为了在右图中，定位图中的三个带旋转箭头的圆圈。注意存在，位置、旋转和尺度变化。上halcon代码：dev_update_pc ('off')
dev_update_window ('off')
dev_update_var ('off')