- 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
- 转到频域