Halcon基礎知識總結（一文學會halcon基礎操作，總結自超人視覺）

此文根據《超人視覺 halcon啟蒙班》寫成，結合圖片和例程，直觀簡單地介紹halcon的最基本操作

基礎知識

---

光學：幾何光學，物理光學

數學：導數為主的高等數學，矩陣論

五種需求：

---

1.識別定位

2.符號識別：一二維碼，OCR

3.測量需求

4.缺陷需求（最常見，難度最大）

5.手眼標定和抓取（結合運動控制）

圖像處理一般思路

---

1.采集

2.預處理

• 拉開灰度

• 幾何變換

• 去噪：中值濾波，均值濾波，高斯濾波

• 摳圖

3.圖像分割

• 二值化

• 形態學

• 特征選擇

ps：Halcon里區域和圖像是不同概念

4.識別顯示

5.通信

三大數據類型

---

圖像，區域，XLD

灰度直方圖

---

• 勾選“閾值”

  將灰度值在”綠線和紅線之間”的以選定顏色進行填充
  

• 勾選“縮放”

  將把圈定的閾值范圍內的直方圖均勻拉伸釋放到整個直方圖軸上
  
  

數組語法

---

* Simple tuple operations

Tuple1 := [1,2,3,4,5]
Number := |Tuple1|
SingleElement := Tuple1[3]
Part := Tuple1[1:3]
Copy := Tuple1[0:|Tuple1| - 1]

運行結果

讀取圖片的四種方法

---

1. 文件 -> 讀取圖片

2. Image Acquisition -> 自動檢測接口（刷新設備）-> Direct show，從攝像頭直接讀圖

3. Image Acquisition -> 選擇文件，從圖像文件中讀取

4. Image Acquisition -> 選擇路徑，結合正則表達式讀取路徑下的圖片

   PS：用Image Acquisition讀取時記得點擊代碼生成
   

攝像頭抓取模式：在可視化 -> 更新窗口中調整

同步采集：實時抓取，一直抓取

異步采集：只等圖片處理完后，grab_image才開始抓取

PS：更多信息包括雙相機采集，可以在案例 -> 方法 -> 圖像采集設備中學習

ROI（感興趣區域）

---

特征檢測

---

PS：二值化之后的區域雖然不連通，但仍然認為是一個區域。需要調用connection把區域分割成獨立區域，才能進行select_shape，點擊特定區域，再進行特征檢測，則顯示特定區域的特征信息。（connection分割依據（九宮格中的八鄰域））

若直方圖窗口內的直方圖不顯示

1.將程序執行一遍（按完全執行或F5）

2.將直方圖窗口縱向拉大（這個拉升方案默認把剩余顯示區域留給直方圖）

形態學

---

膨脹：

• 將模板在原圖上移動，當除中心點外的模板點，與原圖中像素重合時，將中心點變黑。最終結果（當然也能覆蓋原圖）就是新圖

• 效果即擴大了“一圈”

腐蝕：

• 將模板在原圖上移動，僅有整個結構元素能全部被區域所包含時，保留中心元素點，最終結果即新圖能被原圖包含
• 效果即縮小了“一圈”

開運算：

• 先腐蝕，后膨脹
• 效果：減少像素（弱於腐蝕），斷開

閉運算：

• 先膨脹，后腐蝕
• 效果：增加像素（弱於膨脹），連接

PS：以上是對二值圖像而言，而對灰度圖像做形態學處理是改變亮暗

代碼運行事件監測

---

1. 使用count函數

2. 如圖使用“性能評測器”

結構元素模板選擇

---

• 要根據感興趣的圖像結構

• 來靈活選擇結構元素模板

效果展示(以官方例程ball.hdve為例)：

• 原圖
  

• 紅色->圓結構元素提取
  

• 綠色->矩形結構提取
  

可以知道，想要提取圓的時候，采用圓結構元素能更好保留形態

之后采用圓度特征進行進一步的blob提取

預處理圖像增強

---

一般通過如下幾種方式：

1. scale_image: g' := g * Mult + Add

   g為當前的灰度值，Mult 為所乘的系數，Add為加的偏移值，由公式可以刊出用scale_image來處理圖像是個線性變化，會讓黑的地方更黑，亮的地方更亮。

2. 圖像形態學

   • gray_opening

     結構元素在圖像中滑，灰度值最高的值作為新值，有使圖像變亮的作用。

   • gray_closing

     結構元素在圖像中滑，灰度值最低的值作為新值，有使圖像變暗的作用。

   • gray_range_rect

     用一個矩形結構元素在圖像中滑動，新值=(矩形中最大的)灰度值-(矩形中最大的)最小的灰度值

   • emphasize: res := round((orig - mean) * Factor) + orig

     mean代表先對原圖進行mean_image后的圖像對應的灰度值，

     orig 代表每幅圖對應的灰階值 ，res代表輸出圖像的灰階值

凸性

---

• 凸性：圖形內任意兩點相連，圖像上所有的點相連的的線進行點填充

函數：shape_trans(Region, RegionTrans, 'convex')

• 外接矩形：不贅述

函數：shape_trans(Region, RegionTrans, 'rectangle1')

PS：rectangle1為平行於窗口的正矩形，rectangle2為斜外接矩形，詳見官方手冊

以下圖為例，凸形和外接矩形分別如下

定位方法

---

1. Blob分析

2. 模板匹配

   • 通過mark點或特征找出興趣區域

   • 仿射變換到標准位置

仿射變換

---

以官方例程check_blister.hdev介紹

dev_update_window ('off') //停止更新窗體
dev_close_window () //關閉窗體
read_image (ImageOrig, 'blister/blister_reference')
dev_open_window_fit_image (ImageOrig, 0, 0, -1, -1, WindowHandle) //窗口大小適應圖片
access_channel (ImageOrig, Image1, 1) //通道1，R圖
threshold (Image1, Region, 90, 255) //二值化，灰度直方圖工具
shape_trans (Region, Blister, 'convex') //凸包，內部都被填充
orientation_region (Blister, Phi) //區域方向，獲得角度值Phi，范圍[-Π,Π)
area_center (Blister, Area1, Row, Column) //獲得面積、質心坐標
vector_angle_to_rigid (Row, Column, Phi, Row, Column, 0, HomMat2D) // 獲得仿射變換矩陣HomMat2D
affine_trans_image (ImageOrig, Image2, HomMat2D, 'constant', 'false') //對圖像進行仿射變換，插值算法constant
dev_update_window ('on') //更新窗體

測量助手

---

打開方法： 助手 -> 打開新的Measure

OCR流程

---

1. 采集

2. 預處理，校正

3. 分割成獨立連通域
   
   如果每個字沒有形成獨立連通域（如上圖），需要使用形態學，使每個漢字的各筆畫在各自的一個連通域內，不同的漢字的各筆畫在不同的連通域內。如“明≠日月”的關系

4. 使用現成的，或訓練

   • trf文件：文本與字符的關聯文件，只是對應關系。可被OCR助手和OCR讀取函數讀取

   • omc文件：為訓練后的文件，可用於識別。不能被OCR助手讀取，只能被orc讀取函數讀取

5. 識別

色彩識別

---

1. RGB轉HSV

   色調（H），飽和度（S），明度（V）

   主要分析H，S分量
   

2. 分類器（另外詳細介紹）

對比度相關算子

---

• scale_image

• emphasize

• gray_range_rect等（灰度圖的形態學變換）

• equ_histo_image直方圖均衡化

幾大“門派”總結

---

1. 基礎理論

2. 灰度變換

3. 增強

4. 幾何變換

5. 分割

6. 頻域處理

7. 形態學

8. 復原

9. 運動圖像

10. 圖像配准