halcon变形模板匹配例子讲解

halcon多模板匹配方法【最新版5篇】篇1 目录1.引言2.Halcon 软件概述3.模板匹配方法1.基于组件的匹配2.基于灰度值的匹配3.基于形状的匹配4.模板匹配的步骤1.读入图片2.选取 ROI3.预处理4.得到模板区域5.创建模板6.保存模板5.参数优化1.影响模板搜索和匹配的参数2.协调参数以提高匹配精度6.总结篇1正文一、引言在计算机视觉领域，模板匹配是一种常用的图像处理方法，其主要目的是在一个图像中查找与已知的模板图像相匹配的子图像。

Halcon 是德国 MVTec 公司开发的一款机器视觉开发软件，提供了许多实用的图像处理功能，其中包括多种模板匹配方法。

本文将对 Halcon 中的多模板匹配方法进行详细介绍。

二、Halcon 软件概述Halcon 是一款功能强大的机器视觉软件，它具有丰富的图像处理功能，可以满足各种图像分析和处理任务的需求。

Halcon 提供了多种模板匹配方法，包括基于组件的匹配、基于灰度值的匹配和基于形状的匹配等，以适应不同的图像特征和应用场景。

三、模板匹配方法1.基于组件的匹配：该方法通过对图像中的组件（如边缘、角点等）进行匹配，找到与模板中相应组件相匹配的子图像。

2.基于灰度值的匹配：该方法通过比较图像中相应区域的灰度值，找到与模板中灰度值相匹配的子图像。

3.基于形状的匹配：该方法通过比较图像中相应区域的形状特征，如轮廓、纹理等，找到与模板中形状特征相匹配的子图像。

四、模板匹配的步骤1.读入图片：首先，需要读入待处理的图像。

2.选取 ROI：在图像中选取感兴趣区域（ROI），以减少计算量。

3.预处理：对 ROI 进行预处理，如阈值处理、连接、选择形状等，以提高匹配精度。

4.得到模板区域：在预处理后的 ROI 中，提取用于匹配的模板区域。

5.创建模板：根据提取的模板区域，创建模板图像。

6.保存模板：将创建好的模板图像保存，以便后续匹配使用。

五、参数优化1.影响模板搜索和匹配的参数：在模板匹配过程中，一些参数会影响到模板的搜索和匹配效果，如旋转角度、缩放因子、灰度值阈值等。

HALCON形状匹配总结Halcon有三种模板匹配方法：即Component-Based、Gray-Value-Based、Shaped_based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配，此外还有变形匹配和三维模型匹配也是分属于前面的大类本文只对形状匹配做简要说明和补充：Shape_Based匹配方法：上图介绍的是形状匹配做法的一般流程及模板制作的两种方法。

先要补充点知识：形状匹配常见的有四种情况一般形状匹配模板shape_model、线性变形匹配模板planar_deformable_model、局部可变形模板local_deformable_model、和比例缩放模板Scale_model第一种是不支持投影变形的模板匹配，但是速度是最高的，第二种和第四种是支持投影变形的匹配，第三种则是支持局部变形的匹配。

一般形状匹配模板是最常用的，模板的形状和大小一经制作完毕便不再改变，在查找模板的过程中，只会改变模板的方向和位置等来匹配目标图像中的图像。

这个方法查找速度很快，但是当目标图像中与模板对应的图像存在比例放大缩小或是投影变形如倾斜等，均会影响查找结果。

涉及到的算子通常为create_shape_model 和find_shape_model线性变形匹配模板planar_deformable_model是指模板在行列方向上可以进行适当的缩放。

行列方向上可以分别独立的进行一个适当的缩放变形来匹配。

主要参数有行列方向查找缩放比例、图像金字塔、行列方向匹配分数（指可接受的匹配分数，大于这个值就接受，小于它就舍弃）、设置超找的角度、已经超找结果后得到的位置和匹配分数线性变形匹配又分为两种：带标定的可变形模板匹配和不带标定的可变形模板匹配。

涉及到的算子有：不带标定的模板：创建和查找模板算子create_planar_uncalib_deformable_model和find_planar_uncalib_deformable_model带标定模板的匹配：先读入摄像机内参和外参read_cam_par 和read_pose 创建和查找模板算子create_planar_calib_deformable_model和find_planar_calib_deformable_model局部变形模板是指在一张图上查找模板的时候，可以改变模板的尺寸，来查找图像上具有局部变形的模板。

HALCON形状匹配总结Halcon有三种模板匹配方法：即Component-Based、Gray-Value-Based、Shaped_based,分别是基于组件（或成分、元素）的匹配，基于灰度值的匹配和基于形状的匹配，此外还有变形匹配和三维模型匹配也是分属于前面的大类本文只对形状匹配做简要说明和补充：Shape_Based匹配方法：上图介绍的是形状匹配做法的一般流程及模板制作的两种方法。

先要补充点知识：形状匹配常见的有四种情况一般形状匹配模板shape_model、线性变形匹配模板planar_deformable_model、局部可变形模板local_deformable_model、和比例缩放模板Scale_model第一种是不支持投影变形的模板匹配，但是速度是最高的，第二种和第四种是支持投影变形的匹配，第三种则是支持局部变形的匹配。

一般形状匹配模板是最常用的，模板的形状和大小一经制作完毕便不再改变，在查找模板的过程中，只会改变模板的方向和位置等来匹配目标图像中的图像。

这个方法查找速度很快，但是当目标图像中与模板对应的图像存在比例放大缩小或是投影变形如倾斜等，均会影响查找结果。

涉及到的算子通常为create_shape_model 和find_shape_model线性变形匹配模板planar_deformable_model是指模板在行列方向上可以进行适当的缩放。

行列方向上可以分别独立的进行一个适当的缩放变形来匹配。

主要参数有行列方向查找缩放比例、图像金字塔、行列方向匹配分数（指可接受的匹配分数，大于这个值就接受，小于它就舍弃）、设置超找的角度、已经超找结果后得到的位置和匹配分数线性变形匹配又分为两种：带标定的可变形模板匹配和不带标定的可变形模板匹配。

涉及到的算子有：不带标定的模板：创建和查找模板算子create_planar_uncalib_deformable_model和find_planar_uncalib_deformable_model带标定模板的匹配：先读入摄像机内参和外参read_cam_par 和read_pose 创建和查找模板算子create_planar_calib_deformable_model和find_planar_calib_deformable_model局部变形模板是指在一张图上查找模板的时候，可以改变模板的尺寸，来查找图像上具有局部变形的模板。

在HALCON中，模板匹配是一种常见的方法，用于在一幅图像中查找与给定模板最匹配的区域。

这种方法可以用于目标检测、图像分割、模式识别等应用。

在HALCON中，模板匹配主要通过使用`find_template`函数来实现。

该函数用于在一幅图像中查找与给定模板最匹配的区域，并返回匹配区域的坐标、大小和旋转角度等参数。

在使用`find_template`函数进行模板匹配时，需要提供以下参数：
1. 输入图像：要进行匹配的图像。

2. 模板图像：用于匹配的模板图像。

3. 搜索区域：在输入图像中搜索模板的区域，通常可以指定一个矩形区域或者整个图像。

4. 匹配参数：用于控制匹配算法的参数，例如相似性度量、搜索策略等。

在HALCON中，还可以使用`create_template`函数来创建模板图像，以便后续使用。

该函数可以根据给定的图像和参数来生成模板，并返回模板的句柄。

此外，为了提高匹配的准确性和效率，还可以使用一些优化技术，
例如使用多级金字塔、使用滤波器进行预处理、使用约束条件等。

总之，HALCON中的模板匹配是一种强大的工具，可以用于各种图像处理任务。

通过正确地选择和使用匹配算法和参数，可以获得准确和高效的匹配结果。

halcon模板匹配之形状匹配法Halcon是一种先进的图像处理软件，被广泛应用于计算机视觉领域。

在计算机视觉中，模板匹配是一种常用的方法，用于在一幅图像中寻找一个与给定模板形状相似的目标物体。

Halcon支持多种模板匹配方法，其中之一是形状匹配法。

形状匹配法是一种基于特征点的模板匹配方法。

它利用目标物体的形状信息进行匹配，而不是仅仅考虑灰度信息。

这种方法适用于目标物体的形状较为明显且不易受到光照等条件的影响。

在使用Halcon进行形状匹配之前，我们需要提前准备好模板图像和待匹配图像。

首先，我们需要选择一个与目标物体形状相似的模板图像作为参考。

然后，我们将待匹配图像加载到Halcon中，并在图像中提取出一系列的特征点。

Halcon中的形状匹配算法是基于特征点的，它会根据这些特征点的位置和几何特征来进行匹配。

在匹配过程中，Halcon会计算出每一个特征点在模板图像中的对应位置，并根据这些特征点的几何关系来确定匹配度。

形状匹配算法的核心是特征提取和特征匹配。

Halcon提供了多种特征提取函数，如角点检测、边缘检测等。

我们可以根据实际情况选择适合的特征提取函数。

特征匹配则是根据特征点的位置和几何关系来进行的。

Halcon中提供了一系列的匹配函数，如模板匹配、点对点匹配等。

形状匹配法的优点是对图像的光照变化、噪声等干扰具有较好的鲁棒性，可以获得较高的匹配准确度。

然而，该方法在目标物体形状复杂或存在遮挡时可能会出现匹配失败的情况。

因此，在实际应用中，我们需要考虑到目标物体的形状特征以及环境条件，并选择合适的匹配方法。

除了形状匹配法，Halcon还支持其他一些模板匹配方法，如基于灰度的模板匹配、基于形状的模板匹配等。

这些方法各有优劣，适用于不同的应用场景。

在实际工程中，我们可以根据需求选择最适合的模板匹配方法。

总之，Halcon的形状匹配法是一种常用的模板匹配方法，可以用于在一幅图像中寻找与给定模板形状相似的目标物体。

Halcon编程-基于形状特征的模板匹配halcon软件最⾼效的⼀个⽅⾯在于模板匹配，号称可以快速进⾏柔性模板匹配，能够⾮常⽅便的⽤于缺陷检测、⽬标定位。

下⾯以⼀个简单的例⼦说明基于形状特征的模板匹配。

为了在右图中，定位图中的三个带旋转箭头的圆圈。

注意存在，位置、旋转和尺度变化。

上halcon程序1 * This example program shows how to find scaled and rotated shape models.2 dev_update_pc ('off')3 dev_update_window ('off')4 dev_update_var ('off')5 read_image (Image, 'green-dot')6 get_image_size (Image, Width, Height) 获取了图像⼤⼩7 dev_close_window ()8 dev_open_window (0, 0, Width, Height, 'black', WindowHandle)9 dev_set_color ('red')10 dev_display (Image)11 threshold (Image, Region, 0, 128) 对图像进⾏⼆值化12 connection (Region, ConnectedRegions) 区域⽣长得到连通域13 select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 10000, 20000) 通过⾯积进⾏筛选，得到⾥⾯的圆14 fill_up (SelectedRegions, RegionFillUp) 对圆进⾏填充15 dilation_circle (RegionFillUp, RegionDilation, 5.5) 对填充区域进⾏膨胀16 reduce_domain (Image, RegionDilation, ImageReduced) ROI操作得到imagereduced17 create_scaled_shape_model (ImageReduced, 5, rad(-45), rad(90), 'auto', 0.8, 1.0, 'auto', 'none', 'ignore_global_polarity', 40, 10, ModelID)//基于区域创建匹配模型，得到模型的ID modelID18 get_shape_model_contours (Model, ModelID, 1) 基于模型ID 得到模型的轮廓 model19 area_center (RegionFillUp, Area, RowRef, ColumnRef) 获得⾥⾯圆中⼼位置，相对于全图来说20 vector_angle_to_rigid (0, 0, 0, RowRef, ColumnRef, 0, HomMat2D) //vector_angle_to_rigid只需要⼀个点对及⼀个⾓度对即可计算刚性变换矩阵，所以可利⽤find_shape_model的结果//HomMat2D 通过顶点得到其变换矩阵21 affine_trans_contour_xld (Model, ModelTrans, HomMat2D) //对XLD轮廓(contour)进⾏⼀个任意⼆维仿射变换。

在进行高质量、深度和广度兼具的文章撰写之前，我首先需要对您提出的主题进行全面评估和研究。

在本文中，我将按照您的要求，从简到繁地探讨“halcon单目视觉模板匹配例子”这一主题，以便您能更深入地理解。

在文章中，我会反复提及这一主题，并在总结回顾部分共享我的个人观点和理解。

请您耐心等待我的文章完成。

在深度了解halcon单目视觉模板匹配例子之前，我们需要先了解一些基础知识。

Halcon是一种先进的机器视觉库，它具有强大的图像处理和分析能力，可以应用于工业自动化、质量控制、医学影像等领域。

而单目视觉模板匹配则是Halcon中的重要功能之一，它能够在图像中找到指定模板的位置，从而实现对象识别和定位的功能。

通过模板匹配，我们可以实现自动化生产线上的零件检测、物体定位和跟踪等任务。

接下来，让我们以最简单的例子开始，来了解单目视觉模板匹配的基本原理。

假设我们有一张包含特定物体的模板图像，我们希望在另一张大图像中找到并定位该物体的位置。

这时，我们可以利用Halcon提供的模板匹配功能来实现这一目标。

我们需要在模板图像中提取出物体的特征，然后将其用于在大图像中进行匹配。

Halcon的模板匹配功能可以帮助我们快速准确地找到并定位物体的位置，实现自动化检测和定位的需求。

然而，现实中的应用场景往往更加复杂和多样化。

在工业生产线上，我们可能需要处理物体旋转、缩放、遮挡等情况。

这就需要我们对单目视觉模板匹配功能有更深入的理解和应用。

Halcon提供了丰富的参数和算法，可以帮助我们应对各种复杂情况。

通过设置旋转不变性参数，我们可以在一定范围内实现对旋转变换的兼容；通过使用多尺度匹配算法，我们可以处理物体尺度的变化；通过使用区域过滤器，我们可以处理部分遮挡的情况。

这些高级功能使得Halcon在工业自动化领域具有广泛的应用前景。

对于个人的理解和观点，我认为单目视觉模板匹配是机器视觉领域中一项非常重要的技术。

它可以帮助我们实现自动化生产和质量控制，提高生产效率和产品质量。

基于形状的模板匹配原理halcon实现步骤
基于形状的模板匹配是一种图像处理技术，其原理是使用形状模板与目标图像进行匹配，以实现目标检测、识别和定位等功能。

以下是基于形状的模板匹配的原
理和Halcon实现步骤：
原理：
基于形状的模板匹配的原理是将形状模板与目标图像进行匹配，以找到最佳的匹配结果。

该方法通常使用边缘特征、轮廓特征、矩特征等形状特征来描述模板和目标图像的形状特性。

在匹配过程中，通过计算模板与目标图像之间的相似度、距离等度量值，以确定最佳的匹配位置和旋转角度等参数。

Halcon实现步骤：
1.创建形状模板：首先需要准备一个形状模板，可以使用Halcon提供的函数和工具箱
创建或导入已有的模板。

2.加载目标图像：使用Halcon的图像处理函数加载需要进行匹配的目标图像。

3.预处理图像：对目标图像进行必要的预处理，如滤波、降噪、边缘检测等，以提高
匹配精度和稳定性。

4.特征提取：使用Halcon提供的特征提取函数，从形状模板和目标图像中提取形状特
征，如边缘、轮廓、矩等。

5.模板匹配：将提取出的形状特征与形状模板进行匹配，计算相似度、距离等度量值，
以确定最佳的匹配位置和旋转角度等参数。

6.结果输出：将匹配结果输出到控制台或保存到文件中，以便后续处理和应用。

需要注意的是，基于形状的模板匹配方法对于光照变化、噪声干扰、遮挡等情况具有一定的鲁棒性，但在旋转、缩放等情况下可能会出现匹配精度下降的问题。

因此，在实际应用中需要根据具体场景和需求选择合适的算法和参数设置。

halcon——缺陷检测常⽤⽅法总结（模板匹配（定位）+差分）引⾔机器视觉中缺陷检测分为⼀下⼏种：blob分析+特征模板匹配（定位）+差分光度⽴体：特征训练测量拟合频域+空间域结合：深度学习本篇主要总结⼀下缺陷检测中的定位+差分的⽅法。

即⽤形状匹配，局部变形匹配去定位然后⽤差异模型去检测缺陷。

模板匹配（定位）+差分整体思路（形状匹配）：1. 先定位模板区域后，求得模板区域的坐标，创建物品的形状模板create_shape_model，注意把模板的旋转⾓度改为rad(0)和rad(360)。

2. 匹配模板find_shape_model时，由于物品的缺陷使形状有局部的改变，所以要把MinScore设置⼩⼀点，否则匹配不到模板。

并求得匹配项的坐标。

3. 关键的⼀步，将模板区域仿射变换到匹配成功的区域。

由于差集运算是在相同的区域内作⽤的，所以必须把模板区域转换到匹配项的区域。

4. 之后求差集，根据差集部分的⾯积判断该物品是否有缺陷。

模板匹配（定位）+差分的⽅法主要⽤来检测物品损坏，凸起，破洞，缺失，以及质量检测等。

halcon例程分析：1，印刷质量缺陷检测（print_check.hdev）该例程⽤到了差异模型，将⼀个或多个图像同⼀个理想图像做对⽐，去找到明显的不同。

进⽽鉴定出有缺陷的物体。

差异模型的优势是可以直接通过它们的灰度值做⽐较，并且通过差异图像，⽐较可以被空间地加权。

变化模型检测缺陷的整体思路：1. create_variation_model —— 创建⼀个差异模型2. get_variation_model —— 获得差异模型3. train_variation_model —— 训练差异模型4. prepare_variation_model —— 准备差异模型5. compare_variation_model —— ⽐较模型与实例6. clear_variation_model —— 清除差异模型dev_update_off ()* 选择第1张图像创建形状模板read_image (Image, 'pen/pen-01')get_image_size (Image, Width, Height)dev_close_window ()dev_open_window (0, 0, Width, Height, 'black', WindowHandle)set_display_font (WindowHandle, 16, 'mono', 'true', 'false')dev_set_color ('red')dev_display (Image)* 把我感兴趣的区域抠出来，原则上范围越⼩越好，因为这样创建模板时⼲扰会少很多threshold (Image, Region, 100, 255)fill_up (Region, RegionFillUp)difference (RegionFillUp, Region, RegionDifference)shape_trans (RegionDifference, RegionTrans, 'convex')dilation_circle (RegionTrans, RegionDilation, 8.5)reduce_domain (Image, RegionDilation, ImageReduced)inspect_shape_model (ImageReduced, ModelImages, ModelRegions, 1, 20)gen_contours_skeleton_xld (ModelRegions, Model, 1, 'filter')* 获得抠图区域的中⼼，这是参考点area_center (RegionDilation, Area, RowRef, ColumnRef)* 创建形状模板create_shape_model (ImageReduced, 5, rad(-10), rad(20), 'auto', 'none', 'use_polarity', 20, 10, ShapeModelID)* 创建变化模型（⽤于和缺陷⽐较）create_variation_model (Width, Height, 'byte', 'standard', VariationModelID)* ⽂件夹中前15张图⽚是质量良好的，可以⽤来训练模板for I := 1 to 15 by 1read_image (Image, 'pen/pen-' + I$'02d')* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)if (|Score| == 1)if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 训练差异模型train_variation_model (ImageTrans, VariationModelID)dev_display (ImageTrans)dev_display (Model)endifendfor* 获得差异模型get_variation_model (MeanImage, VarImage, VariationModelID)* 做检测之前可以先⽤下⾯这个算⼦对可变模型进⾏设参,这是⼀个经验值,需要调试者调整prepare_variation_model (VariationModelID, 20, 3)dev_set_draw ('margin')NumImages := 30* 可变模板训练完成后，我们终于可以进⼊主题，马上对所有图像进⾏缺陷检测，思想就是差分for I := 1 to 30 by 1read_image (Image, 'pen/pen-' + I$'02d')* 要注意做差分的两幅图像分辨率相同，当然也需要通过仿射变换把待检测的图像转到与模板图像重合* 先寻找模板的实例find_shape_model (Image, ShapeModelID, rad(-10), rad(20), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score) if (|Score| == 1)* 使⽤仿射变换，将当前图像平移旋转到与模板图像重合，注意是当前图像转向模板图像vector_angle_to_rigid (Row, Column, Angle, RowRef, ColumnRef, 0, HomMat2D)affine_trans_image (Image, ImageTrans, HomMat2D, 'constant', 'false')* 抠图reduce_domain (ImageTrans, RegionDilation, ImageReduced)* 差分（就是检查两幅图像相减，剩下的区域就是不同的地⽅了，与模板图像不同的地⽅就是缺陷）*这⾥可不能⽤difference做差分啊，halcon为变形模板提供了专门的差分算⼦：compare_variation_modelcompare_variation_model (ImageReduced, RegionDiff, VariationModelID)connection (RegionDiff, ConnectedRegions)* 特征选择：⽤⼀些特征来判断这幅图像印刷是否有缺陷，这⾥使⽤⾯积* 其实可以考虑利⽤区域⾯积的⼤⼩来判断缺陷的严重程度，这⾥就不过多讨论了select_shape (ConnectedRegions, RegionsError, 'area', 'and', 20, 1000000)count_obj (RegionsError, NumError)dev_clear_window ()dev_display (ImageTrans)dev_set_color ('red')dev_display (RegionsError)set_tposition (WindowHandle, 20, 20)if (NumError == 0)dev_set_color ('green')write_string (WindowHandle, 'Clip OK')elsedev_set_color ('red')write_string (WindowHandle, 'Clip not OK')endifendifif (I < NumImages)disp_continue_message (WindowHandle, 'black', 'true')stop ()endifendfor* 结语：如果发现前⾯作为训练变形模板的良好图像也被判定为NG，* 可以调整prepare_variation_model参数* 或者调整select_shape特征筛选的标准相关算⼦分析:create_variation_model（创建⼀个差异模型）create_variation_model(Width, Height, Type, Mode ,ModelID)//创建⼀个ID为ModelID，宽为Width,⾼为Height,类型为Type的差异模型参数参数Mode决定了创建标准图像和相应的变化图像的⽅法。

halcon 模板匹配案例Halcon是一种机器视觉软件，可以用于图像分析和处理。

下面是一个Halcon模板匹配的案例：1. 准备模板图像和待匹配图像。

模板图像是参考图像，待匹配图像是需要进行匹配的图像。

2. 使用Halcon的create_template操作来创建模板。

这个操作会在模板图像上提取出特征，并将这些特征保存到一个模板文件中，以供后续的匹配使用。

3. 使用Halcon的find_template操作来进行模板匹配。

这个操作会在待匹配图像中找到与模板相似的区域，并返回一个包含匹配结果的数据结构。

4. 通过分析匹配结果，可以得到匹配的位置、角度、缩放因子等信息。

可以根据这些信息来进一步处理图像，如将匹配结果标记在图像上，或者计算两个匹配图像之间的差异。

下面是一个简单的Halcon模板匹配案例的代码：```read_image(模板图像, 模板图像对象)read_image(待匹配图像, 待匹配图像对象)create_template(模板图像对象, 模板参数)find_template(待匹配图像对象, 模板参数, 匹配结果)get_shape_model_origin(模板参数, 模板原点X, 模板原点Y) NumMatches := num_instances(匹配结果)for i := 1 to NumMatchesget_instance_contour(匹配结果, 匹配轮廓, i)get_match_result(匹配结果, 匹配位置X, 匹配位置Y, 匹配角度, 匹配缩放因子, i)// 对匹配位置、角度、缩放因子进行进一步处理endfor```这只是一个简单的模板匹配案例，实际使用时可能需要根据具体情况进行一些调整和优化。

Halcon提供了许多其他的操作和函数，可以根据需要进行进一步的图像处理和分析。