m0_66380820的博客

halcon的控件HWindowControl可以配合算子直接实现鼠标画矩形，画的步骤跟在halcon里画矩形是一样的。但是控件HSmartWindowControl不行，因为HSmartWindowControl自带鼠标可以自由移动图片，这和画矩形同时使用鼠标相撞。同理的，这个控件可以实现halcon所有绘画的东西，例如园、椭圆等等。

这两种文件格式其实是很少使用到的，我主要是最近有一个项目需要往图片上写字，并且保存。halcon其实是没有这种功能的，所以只能是用到opencvsharp，然后就涉及到这两种格式的互传了。因为都是在C#里面，为了追求快速简洁，我选择直接用数据的指针。我看到网上也有使用将数据拿出来数组中，再利用数组去生成，这种方法也是可行的，这里就不讨论。这里使用opencvsharp需要提前在NuGet上下载，版本随个人需求。

函数使用measure_pos检测边缘点，里面加了计算距离的筛选规则，用规则去挑出更符合需要的点位。

为了配合halcon卡尺的使用，我们需要先知道测量直线的起止点。这个函数就是为了求一个矩形两边的起止点使用的，可以更方便的根据矩形去变化点位，而不用手动的给起止点。

这个函数是为了求两个轮廓的中线而封装的。函数具有两种模式：第一种适用于两根斜的XLD轮廓，原理就是求两根线的夹角，然后再将一根线仿射变换过去；第二种适用于两根平行的线，这种原理就是直接的求平均值。

与测量直线的相同，也是为了有些时候加入自己的规则而封装。上述参数基本都是找线卡尺常规参数，只有最后这个。这个是控制卡尺找线方向的，可以直接更人性的使用。NumDistance（矩形之间间距离）RecHeight（矩形半高）RecWidth（矩形半宽），Direction（找线朝向)Threshold（灰度值）ransition（极性）Sigma（平滑系数）Select（线选择）这样，更加简单直接。

两者功能其实是差不多的，但是在有的时候筛选边缘点位的时候，会用到自己编写的规则，这个时候就需要使用measure_pos了。measure_pos为halcon测量单个矩形内边缘点的算子，将多个算子用for循环一起使用的话，就可以形成类似metrology系列的算子。这个函数整体封装的其实比较粗糙，但是一直没时间去优化，后续看有时间去优化一下。这个是控制卡尺找线方向的，可以直接更人性的使用从左往右，从右往左这样，更加简单直接。RecHeight（矩形半高）RecWidth（矩形半宽）Select（线选择）

这个函数主要是用于将xld轮廓进行延长，在一些显示轮廓的地方可以 用到。

yolov8的实例分割其实是在目标识别的基础上有增加一个output1，这个输出是mask的数据输出，所以推理也是在目标识别的基础上加了一些东西。这个新增的output1与yolov5的是一致的。

yolov8目标识别的推理程序其实跟yolov5是大差不差的，yolov8的模型output0有一些改变，其他都是一样的。

yolov5的实例分割其实是在目标识别的基础上有增加一个output1，这个输出是mask的数据输出，所以推理也是在目标识别的基础上加了一些东西。

程序里主要有logging.h和utils.h两个基础的头文件，还有含推理程序的yolo.hpp，我将主要的推理程序都封装在一个类里面了，后续需要使用时直接new一个就可以直接使用了。我们使用 Netron打开对应onnx模型，可以看到images和output0参数与模型一一对应，一般我们训练自己的模型都会修改CLASSES，根据自己参数对应修改即可。我自己通常使用C#编写上位机程序，所以一般都是将C++封装成DLL使用。测试使用的话直接new一个，然后使用里面的函数即可，下面给出例子。

平常使用C#和halcon进行联合开发，一定会有要显示图片的地方，halcon显示图片的控件有两个HWindowControl和HSmartWindowControl。HWindowControl控件一直都有，而HSmartWindowControl是在halcon18之后才有的，个人觉得HSmartWindowControl会更加方便，更加好用。

ONNX（Open Neural Network Exchange）是一种用于表示深度学习模型的开放标准，它允许不同的深度学习框架和工具之间进行模型交换。ONNX模型具有跨平台的兼容性，可以在不同的硬件和软件上运行，从而提高了模型的部署效率和可移植性。开放性：ONNX是一个开放的标准，由多家技术公司共同维护和发展，确保了模型的广泛兼容性和未来的发展潜力。跨平台兼容性：ONNX模型可以在不同的操作系统和硬件上运行，包括CPU、GPU等，这使得模型部署更加灵活。

深度学习环境的配置主要包括了CUDA、cuDNN、Tensorrt，这3个主要是配置电脑的运行环境。跑深度学习框架（例如yolov5）还会需要创建虚拟环境，使用Anaconda配置。下面一一介绍配置。个人目前配置版本为CUDA11.6，cuDNN8.4.1.50，Tensorrt8.4.1.5。

方法经过测试有一些问题，这种方法并不是所有的图片都通用，一些图片生成出来后会变成斜的。查找BitmapData类介绍，其中的有一个属性是Stride，也就是扫描一行的字节数，它是4的倍数，因此在行的字节数不满足这个条件时，会对行进行补充。所以说如果按照这个顺序来赋值内存的话，对于宽度不是4倍数的图片来说，不仅会丢失信息，还会造成图片的扭曲，并产生一个黑线。但是通过观察图片可以看出一些规律，就是图片的斜对角有一根很明显的切割线，图片也可以看出是图片的每一行后面都多了一个像素，一直累计导致现在这个样子。

所以我想是不是可以绕远路，先将hobject的数据转为byte数组，再通过byte数组去生成bitmap图像，经过寻找一些方法的测试，所有8位的图片都可以正常转换。1、byte数组存放的是图像每个像素的灰度值，byte类型正好是从0~255，存放8bit灰度图像的时候，一个数组元素就是一个像素的灰度值。3、Bitmap类虽然提供了GetPixel()、SetPixel()这样的方法，但我们绝对不能用这两个方法来进行大规模的像素读写，因为它们的性能实在很囧；图像可以直接通过给指针的形式生成，比较方便。