Halcon学习---高度纹理图像中的mura缺陷

对应示例程序：
detect_mura_defects_texture.hdev

目标：实现高纹理图像中缺陷的检测（黑色）。

思路为：
1.对彩色图像进行R G B分解，选取B作为后续图像。
2. 生成背景模板，将图像傅里叶变换到频域中，通过高斯滤波，然后傅里叶反变换回来，得到的图像就是背景模板。
3 .背景差分。采用sub_image函数进行图像差分,增强两幅图像的差异
4 .分水岭算法分割，在分割之前采用中值滤波来抑制小斑点或细线。分水岭后，图像分割为多个轮廓（region）。
5 .计算多个轮廓region的灰度信息，包括能量。相关度、同一度、对比度，通过灰度共生矩阵。 前面的两个参数是灰度级和方向，灰度级是2^，方向即灰度共生矩阵方向。
6 .根据能量信息对多个region进行筛选，筛选后的region就是检测结果。黑色区域的能量较低

      判断能量是否大于0.05，通过sgn函数将大于0.05的置1，小于的置-1。通过tuple_find在(Energy-0.05).Sgn()中寻找-1出现的位置，注意这个位置是从0开始的。貌似这个是经过人为排序的，所以indices 中就是前三个 0 1 2
      select_obj (Basins, &Defects, new_Indices);是从Basins提取序号为new_Indices的region 。为什么重新定义一个HTuple 因为HTuple实际上是个数组。find后得到的就是一个indices 数组，里面存在三个数。
      select_obj 的参数必须是HTuple，也就是数组，所以只能重新定义，而且序号从1开始，因此要加1，只能获取数组中的值加1，获取的代码为new_Indices[0]=Indices[i].I()+1; 也就是说数组中的值可以直接访问，然后转化为需要的类型。

用到的几个算子：
      estimate_background_illumination -本地函数 用来估计生成背景图像
      将图像傅里叶变换到频域中，通过高斯滤波，然后傅里叶反变换回来，得到的图像就是背景模板

      cooc_feature_image - 计算共生矩阵并导出其灰度值特征。