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
select_feature_set_svm名称select_feature_set_svm —选择功能的最佳组合以对提供的数据进行分类。签名select_feature_set_svm（：：ClassTrainDataHandle，SelectionMethod，GenParamNames，GenParamValues：SVMHandle，SelectedFeatureIndices，Score）描述select_feature_set_svm从一组要素中选择一个最佳子集以解决给定的
add_sample_class_train_data名称add_sample_class_train_data —将训练样本添加到训练数据中。签名add_sample_class_train_data（：ClassTrainDataHandle，Order，Features， ClassID：）描述add_sample_class_train_data将训练样本添加到ClassTrainDataHandle给出的训练数据中。训练样本由Feature和ClassID给出。&n
set_feature_lengths_class_train_data名称set_feature_lengths_class_train_data —在训练数据中定义子功能。签名set_feature_lengths_class_train_data（：ClassTrainDataHandle，SubFeatureLength，Names：）描述set_feature_lengths_class_train_data在ClassTrainDataHandle中的训练数据中定义子功能。
create_class_train_data（运算符）名称create_class_train_data —创建用于分类器训练数据的句柄。签名create_class_train_data（：：NumDim：ClassTrainDataHandle）描述create_class_train_data创建用于分类器训练数据的句柄。该句柄在ClassTrainDataHandle中返回。特征向量的维数由NumDim指定。只能将此长度的特征向量添加到句柄。并行化多线程类型：可重入（与非排他
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
create_class_svm名称create_class_svm —创建用于模式分类的支持向量机。签名create_class_svm（：：NumFeatures，KernelType，KernelParam，Nu，NumClasses，Mode，预处理，NumComponents：SVMHandle）描述create_class_svm创建可用于模式分类的支持向量机。在NumFeatures中指定要分类的模式的维，在NumClasses中指定不同类的数量。对于类别可以线性分离的二
select_shapebasic'area' 面积'row' 行'column' 列'width' 宽'height' 高'row1' 左上角的行坐标'column1' 左上角的列坐标'row2' 右下角的行坐标'column2' 右下角的列坐标'circ
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
分类是对一组类别中单个实例对象划分的技术术语。对象，还有现有的类别，是用特定的特征来描述的，例如像素的颜色或者区域的形状。为了定义类别，特征必须被指定，例如通过已知对象的类别。在训练之后，分类器将对象的特征与有关类别的特征做比较，并返回最大匹配的类别。根据所选的分类器，类别的可能性或者分类的可行度等可能额外的信息将被给出。一般来说，可以区分两种对图像数据的分类方法。一种方法是基于单纯的像素分类，并且基于颜色或者纹理去分割图像。另一种方法则更广泛，分类任意特征，例如你可以基于区域特征去分类区域，如