Halcon慢慢来（浅学Halcon）

浅学Halcon

滤波（前提：保留图像细节特征；目的：噪声抑制，模糊处理）：

均值滤波[mean_image]

其实也就是卷积。优点是对于图像内部的噪声和模糊图像有很好的效果，消除尖锐噪声。由于过于简单缺陷很明显：
使用均值滤波计算均值会将图像中的边缘信息与特征信息“模糊”掉，丢失很多特征。

中值滤波[median_image]

中值滤波是一种非线性滤波，在处理脉冲噪声以及椒盐噪声时效果极佳，能够有效的保护好图像的边缘信息。
中值滤波的基本原理是让图像中某点临近的像素按照大小排序，取排序像素集中位于中间位置的值作为中值
滤波后的像素值。换句话说，可以理解为一个窗口沿着图像移动，然后将把窗口中所含的像素点按灰度级的升
或降序排列，用位于中间的灰度值来代替该点的灰度值。

脉冲噪声：脉冲噪声的特点是无规则。
椒盐噪声：椒盐噪声是指两种噪声：盐噪声（salt noise）及椒噪声（pepper noise）。
盐噪声一般是白色噪声，椒噪声一般是黑色噪声，前者高灰度噪声，后者属于低灰度噪声，一般两种噪声同时出现，
呈现在图像上就是黑白杂点。

高斯滤波[gauss_image]

高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其
他像素值经过加权平均后得到。
高斯噪声：高斯噪声是指概率密度函数服从高斯分布（即正态分布）的一类噪声。可以由大量独立脉冲产生。
高斯噪声产生的原因：
&图像传感器在拍摄时不够明亮、亮度不够均匀；
&电路各元器件自身噪声和相互影响；
&图像传感器长期工作，温度过高。

二值化（分析形状轮廓）：

全局阈值[global_method]

自己设定一个阈值，十分简单导致很难为整张图片确定阈值。

局部阈值[local_method]

又称自适应阈值卷积啊卷积，滑动窗口。

大津阈值[Otsu_method]属于全局阈值

将每个像素点作为一个数据集中的单元，阈值化就只是一个二分类问题。
步骤：
　❶统计灰度级中每个像素在整幅图像中的个数
　❷计算每个像素在整幅图像的概率分布
　❸对灰度级进行遍历搜索，计算当前灰度值下前景背景类间概率
　❹通过目标函数计算类内与类间方差下对应阈值　
　

腐蚀与膨胀（形态学）

类似于卷积操作，膨胀就是求局部最大值的操作；腐蚀相反。
膨胀与腐蚀（只是一种规则）：膨胀是增加元素，腐蚀相反。

开闭运算

开运算是先腐蚀后膨胀,开运算可以使图像的轮廓变得光滑，断开狭窄的连接并消除细毛刺
闭运算是先膨胀后腐蚀.闭运算同样可以平滑轮廓，但其具体作用是排除小型空洞，弥合狭窄的间断点、
沟壑以及填补断裂的轮廓线。

视觉处理常用框架:

（1）采集图像
（2）预处理
（3）形态学处理，特征提取
（4）UI显示or深度学习训练
（5）Halcon三大数据类型：图像、区域（地盘）、xld亚像素轮廓
		①Ps每个函数输入输出是哪种数据类型
		②Ps二值化和形态学得到的都是一个区域，connection操作后才分开。

下图为运用：