引言 机器视觉中缺陷检测分为一下几种: blob+特征(官方示例surface_scratch.hdev) blob+差分+特征(官方示例pcb_inspection.hdev) 光度立体 特征训练 测量拟合 频域+空间域结合:halcon--缺陷检测常用方法总结(频域空间域结合) - 唯有自己强大 - 博客园 (cnblogs.com) 深度学习 前一篇总结了频域与空间域的结合使用,本篇就光度立体的缺陷检测做一个总结. 光度立体 在工业领域,表面检测是一个非常广泛的应用领域.在halcon中,

效果图: *一阶导数与Soble算子 *二阶导数与拉普拉斯算子 定义:把图片想象成连续函数,因为边缘部分的像素值是与旁边像素明显有区别的,所以对图片局部求极值,就可以得到整幅图片的边缘信息了. 不过图片是二维的离散函数,图像梯度其实就是这个二维离散函数的求导. Sobel算子是普通一阶差分,是基于寻找梯度强度. 拉普拉斯算子(二阶差分)是基于过零点检测.通过计算梯度,设置阀值,得到边缘图像. Sobel算子效果图: Scharr算子是Sobel的升级增强 import cv2 as cv imp

1.get_image_size(Image : : : Width, Height) 返回图像的尺寸. 2.parameters_image_to_world_plane_centered (CamParam, Pose, CenterRow, CenterCol, WidthMappedImage, HeightMappedImage, ScaleForCenteredImage, PoseForCenteredImage) Halcon内部程序,输出为图像的比率和姿态. 3.gen_ima

很明显,图像的采集是所有机器视觉应用中必须解决的问题,HALCON提供了为各种图像采集设备执行这种交互的接口,图像采集的任务被简化为几行代码,只需几个操作符的调用,更重要的是,这种简单并不是以限制可用功能为代价.使用HALCON,可以在不同的时间模式下从不同的采集设备和相机中获取图像.除了从相机中获取图像外,HALCON还可以将存储在文件中的图像显示出来(支持的文件格式:BMP.TIFF.GIF.JPEG.PNG.PNM.PCX.XWD). 基本概念 用HALCON获取图像基本上只需要三个步骤,

摘要 在对vs进行环境配置好以后,就可以开始与halcon联合进行实战.本篇就对图像的采集进行总结.通过构建采集相机GrabImage类的三个方法实现图像的采集: open() 打开相机 grabimage() 单次采集图像 close() 关闭相机,释放内存 最后用IrisSkin4实现WinForm窗体换皮肤. 先看一下实现的效果: 如何实现呢? 一,创建vs工程,创建 GrabImage类(便于调用) using System; using System.Collections.Gener

持更 应用范围 (罗列自官方帮助文档,以后有空了按照需求展开叙述) 1. 安全系统 2. 表面检测 3. 定位 4. 二维测量比较 5. 二维码识别 6. 二维位置定位 7. 二维物体识别 8. 光学字符识别 9. 机器人视觉 10. 交通监视和驾驶辅助系统 11. 三维测量比较 12. 三维物体定位 13. 三维物体识别 14. 特征检测 15. 完整性检测 16. 颜色检测 17. 一维码识别 18. 印刷检测 方法 Blob分析 对前景/背景分离后的二值图像,进行连通域提取和标记.核心思想

Atitit 图像处理 深刻理解梯度原理计算.v1 qc8 1.1. 图像处理  梯度计算  基本梯度 内部梯度 外部梯度 方向梯度1 2. 图像梯度就是图像边缘吗?2 1.1. 图像处理  梯度计算  基本梯度 内部梯度 外部梯度 方向梯度  源代码基于OpenCV实现,原因是太懒了,不想再用Java从头写了! 一:概念介绍 形态学操作膨胀与腐蚀图像形态学中最基本的两个形态学操作.常常被组合起来一起使用实现一些复杂的图像形态学操作,计算图像的形态学梯度是形态学重要操作之一是有膨胀和腐蚀基础操作

前言 点和线是做图像分析时两个最重要的特征,而线条往往反映了物体的轮廓,对图像中边缘线的检测是图像分割与特征提取的基础.文章主要讨论两个实际工程中常用的边缘检测算法:Sobel边缘检测和Canny边缘检测,Canny边缘检测由于算法复杂将在另一篇文章中单独介绍,文章不涉及太多原理,因为大部分的图像处理书籍都有相关内容介绍,文章主要通过Matlab代码,一步一步具体实现两种经典的边缘检测算法. Sobel边缘检测 Soble边缘检测算法比较简,实际应用中效率比canny边缘检测效率要高,但是边缘不

特征提取是计算机视觉和图像处理中的一个概念.它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征.特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点.连续的曲线或者连续的区域. 特征的定义:         至今为止特征没有万能和精确的定义.特征的精确定义往往由问题或者应用类型决定.特征是一个数字图像中“有趣”的部分,它是许多计算机图像分析算法的起点.因此一个算法是否成功往往由它使用和定义的特征决定.因此特征提取最重要的一个特性是“可重复性”:同一场景的不同图像

<zw版·delphi与halcon系列原创教程>hello,zw 按惯例,第一个程序是‘hello’ 毕竟,Halcon是专业的图像库,所以我们就不用纯文本版的,来一个专业版.Halcon图像版的hello程序. 首先,记得在代码文件头部的模块引用"uses",当中,加入:HALCONXLib_TLB 模块名 另外,在exe程序输出目录下,建立一个tmp子目录,这个目录是zw系列教程的统一输出目录. 下面我们输入以下代码,建立v1版的hello子程序:hello_zw01

我是一名初学者,如果你发现文中有错误,请留言告诉我,谢谢 如果需要检测到图像里面的边缘,首先我们需要知道边缘处具有什么特征. 对于一幅灰度图像来说,边缘两边的灰度值肯定不相同,这样我们才能分辨出哪里是边缘,哪里不是. 因此,如果我们需要检测一个灰度图像的边缘,我们需要找出哪里的灰度变化最大.显然,灰度变化越大,对比度越强,边缘就越明显. 那么问题来了,我们怎么知道哪里灰度变化大,哪里灰度变化小呢? 导数,梯度,边缘信息 在数学中,与变化率有关的就是导数. 如果灰度图像的像素是连续的(实际不是),

这个首先并不是我一边做实验一遍记录的,而是我做完成以后才想起来做个分享的,所以中途遇到的很多问题,并没有来得及记录下来,现在写的这些都是后话了 首先呢!我们不需要在ROS下写halcon的程序也是可以主要就是要添加halcon 的库而已,但是我也是找了很长时间,发现其实是有国外的大牛做的类似与cv_bridge的开发包, 所以也是有halcon_bridge 的开发包 asr_halcon_bridge This package is used to convert between image-

关于HALCON的新手入门问题简答(1) 无论读入什么图像,读入图像显示效果明显和原始图像不一致,哪怕是从相机读入的图像,也是明显颜色差异.什么原因引起? 答:初步诊断是,显示的时候调用的颜色查找表存在异常不是 default ,而是其它选项.此时可以通过查阅相关参数,调用set_system解决,也可以 在 编辑->参数选择->颜色查找表进行更改 . 裁剪图像:从图像上截取某段图像进行保存.如何实现该操作 ? 答:首先应该知道,region不具有单独构成图像的要素,他没有灰度值.有用过ope

本文翻译自 SATYA MALLICK 的 "Histogram of Oriented Gradients" 原文链接: https://www.learnopencv.com/histogram-of-oriented-gradients/ 翻译:coneypo 在这篇文章中,我们将会学习 HOG (Histogram of Oriented Gradients,方向梯度直方图)特征描述子 的详细内容. 我们将学习 HOG 算法是如何实现的,以及在 OpenCv / MATLAB

有了前面的基础后,我们来测试一下如何把程序做的更通用,首先是把初始化的方法修改一下,在初始化的时候传递过去HTuple这个对象(改成了全局的变量,以便于不同的方法调用)   其次需要有相机打开/相机关闭,图像保存/图像加载的功能(方便我们快速做测试),前面的相机操作已经讲过了,这里图像的加载也只是套用了前面的加载一个静态图像的功能(把绝对地址改成了参数),保存图像调用了Halcon的WriteImage方法   这个方法可以参考范例write_image的这个范例学习(看他导出的C#的程序,稍微

原文链接:https://blog.csdn.net/liqiancao/article/details/55670749 介绍 硕士阶段的毕设是关于昆虫图像分类的,代码写到一半,上周五导师又给我新的昆虫图片数据集了,新图片中很多图片很大,但是图片中的昆虫却很小,所以我就想着先处理一下图片,把图片中的昆虫裁剪下来,这样除去大部分无关背景,应该可以提高识别率. 原图片举例(将红色矩形框部分裁剪出来)):  step1:加载图片,转成灰度图 image = cv2.imread("353.jpg&q

前言:今天接触到了这两个特征,看了课本和博客后很蒙蔽,没有理解这两个特征,本篇博客的目的是只是参考其他的博客总结这两个特征,如果未来能研究和工作领域是这方面的话再回来自己研学,如有错误也欢迎指出. Garbor特征 一.Gabor 特征的简介 Gabor 特征是一种可以用来描述图像纹理信息的特征,Gabor 滤波器的频率和方向与人类的视觉系统类似,特别适合于纹理表示与判别.Gabor 特征主要依靠 Gabor 核在频率域上对信号进行加窗,从而能描述信号的局部频率信息. 说到 Gabor 核,不能

近期被图像切割整的天昏地暗的,在此感谢老朋友周洋给我关于分水岭算法的指点!本来打算等彩色图像切割有个完满的结果再写这篇文章,可是考虑到到了这一步也算是一个阶段,所以打算对图像切割做一个系列的博文,于是先写这篇. 啰嗦了这么多!先看效果: 效果一般,存在着非常多过切割现象,但比没使用滤波之前的效果好非常多,过切割是分水岭算法的通病.这个兴许博文会继续解决. 本文用java实现的是基于自己主动种子区域的分水岭算法,注意本文是基于单色的切割,所以将输入图片首先进行灰度化处理,这个比較简单,不多提了:因

准备1:OpenCV常用图片转换技巧 在进行计算机视觉模型训练前,我们经常会用到图像增强的技巧来获取更多的样本,但是有些深度学习框架中的方法对图像的变换方式可能并不满足我们的需求,所以掌握OpenCV中一些常用的图像处理技巧对我们还是有很多帮助的. 图像通道分离 我们知道每个图像是由RGB三个颜色通道构成,所以我们可以使用split函数对原图像的三个通道进行分离: B, G, R = cv2.split(img) 进行通道分离的后,我们就可以在每个通道上独立的进行数值变换,变换完成后再来组合来生

官方文档翻译 名称: photometric_stereo -- 通过光度立体技术重建表面. 签名: photometric_stereo(Images : HeightField, Gradient, Albedo : Slants, Tilts, ResultType, ReconstructionMethod, GenParamName, GenParamValue : ) 描述: photometric_stereo可以用来从一个物体的两维纹理,例如它的打印照片,来区分出它的三维形状.这