LAWS紋理濾波
texture_laws(Image, 原圖像
ImageTexture, 輸出值，濾波后圖像
FilterType, 過濾器類型
Shift, 灰度值轉換，濾波后的灰度值可能會比較大，轉換后的灰度值Gray=Gray/(Shift2)，要根據濾波器選擇合適的灰度值轉換
FilterSize) 過濾器大小，3， 7， 5可選
過濾器類型幫助文檔中有詳細列舉，
各種大小的過濾器都是由leswruo這幾個向量構成，文檔中單個向量都有原型，對於組合出來的濾波器矩陣，就是兩個向量的點積，例如55大小的le濾波器：
l = [1 4 6 4 1],
e = [-1 -2 0 2 1]
那么le就是：
\[le = \begin{bmatrix} 1 \\ 4 \\ 6 \\4 \\1 \end{bmatrix} \begin{bmatrix} -1 & -2 & 0 & 2 & 1\end{bmatrix} \]
5*5的filter，記錄一下，稍后研究一下每一種filter的作用。Filter
使用LAWS做缺陷檢測的步驟：
- 收集幾張沒有缺陷的圖片，使用多種laws濾波作為特征，組合成多通道圖片，作為訓練樣本；
- 創建高斯混合分類器，使用樣本進行訓練；
- 將測試圖片與樣本做相同處理后，使用高斯混合分類器做分類；
- 將分類后的區域與原區域做減法，減出來的部分就是不能被分類的部分，也就是有問題的部分；
- 篩選出面積較大的區域，可以適當選擇開閉運算將區域修整一下。
這里使用到的圖像預處理：
使用zoom_image_factor將圖像的尺寸減小，可以降低運算時間；
使用smooth_image對混合后的五通道圖片做光滑處理
模型的保存與讀取：
write_class_gmm
read_class_gmm
# 應用
## 字符分割識別
halcon中有一些已經訓練好的ocr模板可供直接使用。
使用已有模板做字符識別的主要步驟：
1. 找出圖像區域，將字符串做分割，分割成單個的字符；
2. 讀取已經訓練好的模板'read_ocr_class_' ，這里有多個分類器可選；
3. 使用 ‘do_ocr_multi_class_’ 對分割后的區域做字符識別或使用`do_ocr_single_class_` 對分割后的單個區域做字符識別。
使用這種方式的局限性：必須找到字符區域並對字符做好分割，只能用於事先已經很了解測試圖片的情況。已經定義好的模板不一定好用，自己訓練可能更適合。
測試的時候還發現一個特點，對於圖像上字母是亮的，背景是暗的情況，識別到的結果一般都是錯的，只有在__背景是亮的，字母是暗的__ 情況下，是被才是有效的。
其實我們可以自己訓練，怎么訓練呢？
[這是網上找到的一個例子](https://blog.csdn.net/ZHANG2012LIANG/article/details/50993173)
由於一時半會兒弄不到那么多字母圖片，所以沒有嘗試。待實現。