halcon——缺陷检测常用方法总结

• 根据要提取的线的最大宽度和对比度，计算Sigma和高低阈值
  calculate_lines_gauss_parameters (43.5, [25,5], Sigma, Low, High)
  read_image (Image, ‘D:/1.png’)
  * 这种脏污的提取可以考虑在频域中处理
  * 让前景和背景分离，然后再提取脏污的区域
  * 彩色图转灰度 这里拆通道更好，因为方格会影响脏污的提取
  decompose3 (Image, R, G, B)
  get_image_size(B, Width, Height)
  * 空间域转频域
  fft_generic (B, ImageFFT, ‘to_freq’, -1, ‘none’, ‘dc_center’, ‘complex’)
  * 创建一个高斯滤波器/sigma越小滤波器越小，通过的信号更加的集中在低频，这样做的目的是得到背景
  gen_gauss_filter (ImageGauss, 100, 100, 0, ‘n’, ‘dc_center’, Width, Height)
  * 频域的乘法相当于空间域的卷积
  convol_fft (ImageFFT, ImageGauss, ImageConvol)
  * 频域转空间域
  fft_generic (ImageConvol, ImageFFT1, ‘from_freq’, 1, ‘none’, ‘dc_center’, ‘byte’)
  * 差分（原图 — 背景）
  sub_image (B, ImageFFT1, ImageSub, 2, 100)
  * 提取脏污的中心线
  lines_gauss (ImageSub, Lines, Sigma, Low, High, ‘dark’, ‘true’, ‘gaussian’, ‘true’)
  dev_display (B)
  dev_display (Lines)

🙄 相关API参数：

calculate_lines_gauss_parameters（根据线的最大宽度以及对比度计算出lines_gauss算子输入的Sigma、Low、High值)
calculate_lines_gauss_parameters( : : MaxLineWidth, Contrast : Sigma, Low, High)
MaxLineWidth (input_control) // lines_gauss要提取线条的最大宽度
Contrast (input_control) //lines_gauss要提取线的对比度。
Sigma (output_control) //获取用于lines_gauss输入的Sigma值
Low (output_control) //获取用于lines_gauss输入的Low 值
High (output_control) //获取用于lines_gauss输入的High 值

关于Contrast 参数详解：

Contrast 值不仅可以一个，也可以为两个：

当只选择一个值时，最小对比度将会默认为最大对比度的1/3，最小对比度越小，线条将会延伸到对比度较低的区域，即线条越长。反之，值越高，线条越短，但越突出。

当值为两个时，数组中的第二个值是要提取线的最小对比度，并且其值不能大于第一个值。比如：[20,10]

lines_gauss（提取图像上的线条，提取的结果属于亚像素精度的XLD轮廓）

lines_gauss(Image , Lines ,Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions )
Image (input_object) //输入图像
Lines (output_object) //检测线条（XLD）
Sigma (input_control) //高斯滤波值
Low (input_control) //滞后阈值分割的低阈值
High (input_control) //滞后阈值分割的高阈值
LightDark (input_control)//提取线条的类型，暗色还是亮色，(’dark’, ‘light’)
ExtractWidth (input_control) //是否提取线宽（‘false’,‘true’）
LineModel (input_control) //用来调整线条位置和宽度的线模型（‘bar-shaped’, ‘gaussian’, ‘none’, ‘parabolic’）
CompleteJunctions (input_control) //在断连的部分是否添加节点使线条连续（‘false’, ‘true’）
2，检测表面微小凸起（高斯差分，灰度差，二值化）

如图，对于处理这种细微的缺陷，也可使用频域处理。

思路：

使用两个低通滤波器，进行相减后构造了一个带阻滤波器来提取缺陷分量
读入图像，灰度化，转频域，进行滤波，转回空间域
在空间域上blob分析
显示
关键点：该例程的关键就是使用两个低通滤波器，进行相减后构造了一个带阻滤波器来提取缺陷分量。通过带阻滤波后获得的频率成分对背景中的纹理要有明显的抑制，并且突出缺陷成分，在频域处理完成转会空间域之后，又用了一个能扩大亮点区域的函数：gray_range_rect 辅助后面的二值化，最终完成了缺陷的检测，这个函数可以说是点睛之笔。

dev_close_window ()
*1采集图像
read_image (Image, ‘D:/1.png’)
get_image_size (Image, Width, Height)
dev_open_window (0, 0, Width, Height, ‘black’, WindowHandle)
set_display_font (WindowHandle, 14, ‘mono’, ‘true’, ‘false’)
dev_set_draw (‘margin’)
dev_set_line_width (3)
dev_set_color (‘red’)

• 根据具体宽高，优化该图像的傅里叶变换速度（有此函数）
  optimize_rft_speed (Width, Height, ‘standard’)
  Sigma1 := 10.0
  Sigma2 := 3.0
  *形成高斯滤波器
  gen_gauss_filter (GaussFilter1, Sigma1, Sigma1, 0.0, ‘none’, ‘dc_center’, Width, Height)
  gen_gauss_filter (GaussFilter2, Sigma2, Sigma2, 0.0, ‘none’, ‘dc_center’, Width, Height)
  *第一个滤波器减去第二个滤波器（形成带通滤波器）
  sub_image (GaussFilter1, GaussFilter2, Filter, 1, 0)
  *2进行频域滤波
  rgb1_to_gray (Image, Image)
  • 转到频域
    fft_generic (Image, ImageFFT, ‘to_freq’, -1, ‘none’, ‘dc_center’, ‘complex’)
    *滤波
    convol_fft (ImageFFT, Filter, ImageConvol)
    *返回空间域（实部）
    fft_generic (ImageConvol, ImageFiltered, ‘from_freq’,1, ‘n’, ‘dc_center’, ‘real’)
    *3空间域上的blob图像分割
    *原图矩形内的灰度值范围（max-min）作为输出图像像素值，扩大了亮的部分
    gray_range_rect (ImageFiltered, ImageResult, 10, 10)
  • 获得图像最大灰度值和最小灰度值
    min_max_gray (ImageResult, ImageResult, 0, Min, Max, Range)
    *二值化提取( 5.55是经验值，在调试中得到)
    threshold (ImageResult, RegionDynThresh, max([5.55,Max * 0.8]), 255)
    select_shape (RegionDynThresh, SelectedRegions, ‘area’, ‘and’, 1, 99999)
    connection (SelectedRegions, ConnectedRegions)
    dev_display (Image)
    count_obj (ConnectedRegions, Number)
    for Index1 := 1 to Number by 1
    select_obj (ConnectedRegions, ObjectSelected, Index1)
    area_center (ObjectSelected, Area, Row, Column)
    gen_circle_contour_xld (ContCircle, Row, Column, 20, 0, 6.28318, ‘positive’, 1)
    dev_display (ContCircle)
    endfor
    USB Microphone https://www.soft-voice.com/
    Wooden Speakers https://www.zeshuiplatform.com/
    亚马逊测评 www.yisuping.cn
    深圳网站建设www.sz886.com