Variation Model的主要原理是將待檢測的圖像與一張標准圖像作比較，找出待檢測圖像與標准圖像（ideal image）的明顯差異（也就是不良）。標准圖像可以采用幾張OK品的圖像訓練（training）得到，也可以通過對一張OK品圖像進行處理得到。訓練后得到標准圖像和一張variation圖像（variation image），variation圖像中包含了圖像中每個像素點灰度值允許變化的范圍。標准圖像和variation圖像用來創建一個variation model，如此，其他圖像就可以與variation model作比較了。
Variation Model方法中常用的算子：
創建一個ID為ModelID，寬為Width,高為Height,類型為Type的Variation Model,參數Mode決定了創建標准圖像和相應的variation圖像的方法。'standard'表示標准的訓練方法，標准圖像的位置是各訓練圖像位置的平均，'robust'表示魯棒的訓練方法，標准圖像的位置是各訓練圖像的中值，此模式在訓練圖像中可能存在ERROR時使用，'direct'表示標准圖像由單張圖像經過處理得到，由此方法得到的標准圖像只能應用prepare_direct_variation_model算子得到variation model。
get_variation_model( :
Image,
VarImage :
ModelID : )返回variation model中的標准圖像（Image）和variation image（VarImage），此算子主要用來檢視創建的variation model是否OK。
prepare_variation_model( : :
ModelID,
AbsThreshold,
VarThreshold : )設置variation model的絕對閾值和相對閾值。絕對閾值即待檢測圖像與標准圖像的差值，相對閾值即待檢測圖像與variation model與VarThreshold乘績的差值。
clear_train_data_variation_model( : :
ModelID : )清除variation model的訓練數據所占用的內存。
compare_variation_model(
Image :
Region :
ModelID : )待檢測圖像與variation model進行比較，超過閾值的區域在Rgion參數中返回。同threshold一樣，返回的區域被看做一個區域，可以使用connection算子進行連通性分析，然后根據區域的特征（如面積）對區域進行選擇。
clear_variation_model( : : ModelID : )釋放一個variation model的內存空間
PS：在model訓練和比較的時候，常常需要對圖像進行模板匹配，以使圖像准確對齊。
總結：
Variation Model使用標准圖像與待檢測圖像灰度值相比較，來判斷產品是否OK，適用於印刷品檢測及產品表面檢測。從實際算法過程可以看出，此檢測實際可分為兩部分，對於圖像中的大面積灰度一致區域，主要利用待檢測圖像與標准圖像（ideal image)比較得出差異區域，對於圖像中的邊緣位置（edges）區域，主要利用待檢測圖像與Variation圖像（variation image）比較得出差異區域。所以在實際應用中，應根據實際情況設置AbsThreshold和VarThreshold的值。