在紋理中找瑕疵。基於高斯混合模型（GMM）分類器的紋理檢查模型，適用於圖像金字塔，可以分析紋理的多個頻率范圍。
【要求】訓練樣本，必須完美無瑕疵。
【步驟】
1、創建模型
create_texture_inspection_model 或 read_texture_inspection_model
2、加載訓練樣本
add_texture_inspection_model_image
查看樣本get_texture_inspection_model_image
保存樣本write_object
移除樣本remove_texture_inspection_model_image，可降低模型內存需求。
3、訓練模型
train_texture_inspection_model
每層金字塔都會訓練一個GMM模型，並確定該層的'novelty_threshold'（區分有無瑕疵的閾值）。
參數的獲取與設定
get_texture_inspection_model_param
set_texture_inspection_model_param
'patch_normalization'：'weber'對亮度魯棒，‘none’需要亮度作為評判（默認）
'patch_rotational_robustness'：'true'對旋轉魯棒，'false'需要旋轉作為評判（默認）
加快訓練的方法：
① 縮放訓練樣本（zoom），通常模型對低分辨率紋理瑕疵檢測效果更好。
② 調低 'gmm_em_threshold'，但會降低模型准確度，訓練終止的條件之一，0.001（默認）。
【重要參數】
'levels'：設置具體的金字塔層參與訓練，紋理越粗糙，則較低的金字塔層級越可省略。默認auto。
'sensitivity'：靈敏度，影響'novelty_threshold'的計算結果。負值會導致更高的閾值，從而更少的發現缺陷。默認0。
'novelty_threshold'，閾值，自動計算得到，若結果不理想，可以手動微調。
4、測試
apply_texture_inspection_model
5、模型保存與釋放
保存模型，write_texture_inspection_model
若模型不再需要，則釋放clear_texture_inspection_model
【重要參數調節策略】
“ novelty_region”是通過組合不同金字塔等級的新穎性區域而生成的，即不同層級金字塔組成的交集區域。如果只有單層金字塔，那么該層的新穎性區域直接就是novelty_region。
若想查看各個金字塔等級的新穎性得分圖像和新穎性區域，可以把'gen_result_handle'設置為'true'，之后get_texture_inspection_result_object讀取'novelty_score_image'和'novelty_region'。
'novelty_score_image'通過'novelty_threshold'閾值分割出感興趣區域（紅色）
上述方式可以知道在哪些金字塔等級上檢測到哪些類型的缺陷，來決定調整【重要參數】。如選擇特定的金字塔層級。
注意：如果參數'gen_result_handle'設置為'true'創建了結果句柄，則最后需要釋放clear_texture_inspection_result
【其他】
序列化、反序列化模型serialize_texture_inspection_model、deserialize_texture_inspection_model。
【術語解釋】
Patch：相鄰像素的集合。
Novelty Score：在測試過程中，將測試圖像的紋理特征與紋理檢查模型進行比較，並計算它們的'novelty score'。 該值越大，單個紋理特征越不適合紋理檢查模型的可能性越大。
Novelty Threshold：Novelty Score高於該閾值，則紋理有缺陷。
參考網站：Texture Inspection [HALCON Operator Reference / Version 17.12] (mvtec.com)
Halcon案例：
apply_texture_inspection_model.hdev、apply_texture_inspection_model_simple.hdev