XLD: eXtended Line Descriptions 亚像素轮廓1、何谓亚像素？面阵摄像机的成像面以像素为最小单位。例如某CMOS摄像芯片，其像素间距为5.2微米。摄像机拍摄时，将物理世界中连续的图像进行了离散化处理。到成像面上每一个像素点只代表其附近的颜色。至于“附近”到什么程度？就很困难解释。两个像素之间有5.2微米的距离，在宏观上可以看作是连在一起的。但是在微观上，它们之间还有无限的更小的东西存在。这个更小的东西我们称它为“亚像素”。实际上“亚像素”应该是存在的，只是硬件上没有个
一、HALCON 12.0例程里有一个类似的，Ctrl+E打开例程，搜关键字“circle”或者"ball"就行。请重点关注下measure_circles.hdev，circles.hdev，union_cocircular_contours_xld.hdev，ball.hdev这几个例程。大概过程差不多是：找到圆形区域--亚像素边缘--结果曲线分段--筛选出圆形--拟合 二、要测量一个圆的直径，可以先通过阈值筛选出黑色部分threshold (Rim, Dark
fit_line_contour_xld.hdevfit_line_contour_xld(Contours : : Algorithm, MaxNumPoints, ClippingEndPoints, Iterations, ClippingFactor : RowBegin, ColBegin, RowEnd, ColEnd, Nr, Nc, Dist)参数说明：1 Contours 输入的轮廓2 Algorithm 拟合直线算法'regression' 标准的最小二乘拟合
Halcon中线条提取的算子主要有：lines_color(Image : Lines : Sigma, Low, High, ExtractWidth, CompleteJunctions : )lines_facet(Image : Lines : MaskSize, Low, High, LightDark : )lines_gauss(Image : Lines : Sigma, Low, High, LightDark, ExtractWidth, LineModel, Complet
先看代码实践dev_update_off ()
dev_close_window ()
*读图
read_image (Image, 'D:/1.bmp')
get_image_size (Image, Width, Height)
*测试提取边缘
edges_image(Image,Amp,Dir,'lanser2',0.5,'none
如何判断一个点是否在多边形内部？（1）面积和判别法：判断目标点与多边形的每条边组成的三角形面积和是否等于该多边形，相等则在多边形内部。--采纳（2）夹角和判别法：判断目标点与所有边的夹角和是否为360度，为360度则在多边形内部。（3）引射线法：从目标点出发引一条射线，看这条射线和多边形所有边的交点数目。如果有奇数个交点，则说明在内部，如果有偶数个交点，则说明在外部。（4）转角法：按照多边形顶点逆时针顺序，根据顶点和判断点连线的方向正负（设定角度逆时针为正）求和判断； 射线法的实现（转
(一）Wrong number of values of control parameter 2(HALCON错误代码:1402)这种错误发生算子add_sample_class_mlp中。其原因是你现在的图片计算出来的FeatureVector和之前添加的FeatureVector大小不一致。这是因为训练图片的尺寸大小不致造成的。如下图所示，哪怕是你的图像大小差一行像素，也会造成FeatureVector的大小不同。当然，这也要看你的FeatureVector的算法产生的数据是什么样了。也许有
勇哥的一个案子里需求如下：分割出齿轮的小齿，小齿要排列规则，图像大小固定由于齿轮数量有40多个，因此分割要求速度快分割后的图片形成磁盘文件 （图1 分割后的图片样例）（图2 要分割的齿轮和极坐标转换后的效果） 这个需求如果不考虑速度的话，是很简单的。最简单的是转动图片固定角度，然后用一个矩形ROI去切割固定位置的小齿。但是这个办法由于耗时太长，能实现功能，却达不到速度要求。还有一个办法是crop_domain算子切割小齿，然后再仿射变换
灰度共生矩阵灰度共生矩阵定义为像素对的联合分布概率，是一个对称矩阵，它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息，但也反映了相同的灰度级像素之间的位置分布特征，是计算纹理特征的基础。设f(x,y)为一幅数字图像，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)。其中元素(i,
粘合度高的物体识别2020-10-20 22:43:48
首先看看要使用的图像（这是闲着无聊在halcon网上找的一张实际生产中的图）：从图像中看，颗粒状物体都有不同程度的粘连在一起，这给我们在处理上带来了一定的麻烦。首先想，对于这样的图，人是怎么识别的？抽象出来就是：先记住颗粒的形状，再去里面找。因此很明显想到的是图像匹配识别，不过粘连度高的就不好使用特征模板匹配了，因为粘连的物体本身其特征就模糊了很多。这里建议使用ncc模板匹配，至于ncc与shape之间的差异，请访问：read_image (Image, 'C:/Us