|
halcon二维测量的基本步骤 1.图片预处理，这里指的是图片的滤波等手段，使要测量的特征凸显化，有效去除噪点干扰等。 2.阈值化，通过阈值化抽取出图像的特征，通常使用灰度阈值化，但halcon中没有特意的将图片转换成灰度图，而是直接调用阈值化处理函数。同时灰度直方图能帮助开发人员快速找到阈值范围。 3.阈值化之后是求解图片的联通区域，一般阈值化之后存在很多连通区域，还要使用select_shape函数根据条件筛选出满足条件的连通区域。也可以自行筛选。 4.之后就是形体的拟合（也称为轮廓处理），这一步更具实际情况和需求，可有可无。 5.获取形体的特征数据，这些数据就是测量数据，包括位置，内拟合矩形、外拟合矩形尺寸，内拟合、外拟合园尺寸等。 在进入正式的二维测量之前，需要有一个ROI，所有的图片处理都在这里完成，ROI的生成有两种基本方案，用户自己选择和使用模板匹配来选择一个区域。这个区域的选择好坏，对处理的难度影响很大。 二维测量的halcon代码： read_image(Image, 'C:/Users/Public/Documents/MVTec/HALCON-12.0/examples/images/bonds/ball_bond_ccd_03.png') median_image(Image,ImageMedian, 'circle', 5, 'mirrored') threshold(ImageMedian,ROI,120,255) connection(ROI,connRegion) select_shape(connRegion,selRegion,'area','and',1000,90000) 这段代码简单，目的是利用halcon工具找到预处理滤波器类型和参数，阈值处理参数和形体筛选参数。 以下是对应的c++代码： void TestProc2d ::proc(HImage & image) { m_display->SetColor( 'red'); m_display->SetDraw( 'margin'); HImage medImage = image .MedianImage('circle',3, 'mirrored'); HRegion roiREgion; roiREgion.GenRectangle1(m_roi.row1,m_roi.col1,m_roi.row2,m_roi.col2); HImage redMianImage = medImage.ReduceDomain(roiREgion); HRegion thedRangion = redMianImage.Threshold(120,255); HRegion connRegion = thedRangion.Connection(); int n = connRegion.CountObj(); for(int i = 1; i<=n; i++) { Hlong r1,r2,c1,c2; connRegion[i].SmallestRectangle1(&r1,&c1,&r2,&c2); qDebug() << 'conn object : ' << r1 << c1 << r2 << c2 << '(' << r2-r1 << ',' << c2-c1 << ')'; } HRegion selRegion = connRegion.SelectShape('area', 'and',500,900000); n = selRegion.CountObj(); qDebug() <<'connect count : ' << connRegion.CountObj() << ' sel count : ' << n; for(int i = 1; i<=n; i++) { Hlong r1,r2,c1,c2; selRegion[i].SmallestRectangle1(&r1,&c1,&r2,&c2); m_display->DispRectangle1(r1,c1,r2,c2); qDebug() << 'select obj : ' << r1 << c1 << r2 << c2 << '(' << r2-r1 << ',' << c2-c1 << ')'; } } 二维图像处理的难点： 1.ROI区域的确立，我们的期望是ROI中仅包含我们要测量的对象，仅一个对象，但这很难做到，所以我们力求这个ROI区域越 精确越好。建立这个ROI区域，调试时一般手动绘制确定，实际项目中一般使用模板匹配确定一个大的区域，再通过这个大的区域的相对区域确定最终的ROI。所以寻找测量目标的特征，确定模板区域也无比重要。 2.图片的拍摄质量，这里的拍摄质量不是指的清晰度，而是区分测量对象和非测量对象的难以程度。我们最希望的是在灰度上，被测量对象和非测量对象有明显的差异，易于形体划分，当然颜色也是一个很好的区分对象。为了达到这个目的，我们首先要使用不同的光源、选择不同的角度照射使其凸显，其次可以选择不同的镜头和光圈予以辅助（当然，镜头的核心目的是选择视场）。 3.形体的筛选，通常情况下我们处理后会得到好多对象，从中筛选出测量对象相当关键，这里可能是测量过程中人工智能技术最易介入的地方。通常可以根据面积，外接矩形长宽等特征筛选，选择用哪种方法完全取决于被测对象的特征，希望使用他的唯一性特征来筛选。
|
|
|
