当前位置：文档之家 › halcon常用算子中文说明-推荐下载

halcon常用算子中文说明-推荐下载

  • 格式：pdf
  • 大小：198.75 KB
  • 文档页数：10

sub_image (ImageConverted1, ImageConverted2, ImageSub, 1, 0)一幅

图减另一幅图。用一幅图 的灰度减另一幅的灰度成新的一幅图。

mult_image (Image, ImagePart, ImageResult, 0.015, 0)一幅图加一幅

成的一幅图

convert_image_type (Traffic2, ImageConverted2, 'int2')转换图像的

格式

crop_part (ImageNoise, ImagePart, 0, 0, Width, Height)取出一幅图的中部分

dots_image (ImageResult, DotImage, 5, 'dark', 2)取出图像中圆点

partition_dynamic (SelectedRegions, Partitioned, 25, 20)根据各个

区域的特征将各个区域分割 开。

intersection (Partitioned, Region, Characters)取出两个区域中重叠

的部分，如果 Region 有两个 区域在 Partitioned 中，则这两个区域合并成一区域。

difference (RegionDilation, RegionErosion, RegionDifference)取出两个区域中不重叠的部分。

critical_points_sub_pix (FilterResponse, 'facet', 1.5, 0.7,

RowMin, ColMin, RowMax, ColMax, RowSaddle, ColSaddle)取出图像中的关键

点。 corner_response (Image, FilterResponse, 3, 0.04)

auto_threshold (Image, Regions, 10)自动阈值分割，根据灰度直方图

中两波峰中的波谷取出阈 值。

closing (RegionClosing3, Rectangle, RegionClosing4)用一个设计好的

区域来封闭其它区域。

hom_mat2d_identity (HomMat2DIdentity)生成一个 2D 单位矩阵

hom_mat3d_identity (HomMat3DIdentity)生成一个 3D 单位矩阵 hom_mat2d_translate(HomMat2DIdentity,-0.5*(Row1+Row2),-

0.5*(Column1+Column2), HomMat2DTranslate)对矩阵进行 2D 变换，用于平移。

hom_mat3d_rotate (HomMat3DIdentity, GraspPhiZ_ref, 'z', 0, 0, 0, HomMat3D_RZ_Phi)对矩阵进 行 3D 变换，用于旋转。 hom_mat3d_translate(HomMat3D_RZ_Phi,CenterPointX_ref,CenterPointY

_ref, 0, ref_H_grasp) 对矩阵进行 3D 变换，用于平移。

hom_mat2d_scale (HomMat2DTranslate, ScaleFactor, ScaleFactor, 0,

0, HomMat2DScale)对矩阵 进行变换，用于缩放

hom_mat3d_compose (cam_H_ref, ref_H_grasp, cam_H_grasp)将两矩阵相

乘

hom_mat3d_to_pose (cam_H_grasp, PoseCamGripper)将矩阵变换成 3D 位

姿

affine_trans_contour_xld (LogoContoursTemp, LogoContours,

HomMat2DComplete) 对 线 条 LogoContoursTemp 进行

HomMat2DComplete 对应的变换（平移和缩放） 。

compose3 (ImageRed, ImageGreen, ImageBlue, LogoImageTempl)将三幅

图像合并成一幅图像

decompose3 (LogoImage, ImageR, ImageG, ImageB)将一幅图像根据 RGB

值转换成三幅图像。

paint_xld (LogoContours, LogoImageTempl, LogoImage,

[Blue,Orange,Blue,Blue,Blue,Blue])对线 条喷颜色。

Blue := [0,48,117]，Orange := [255,181,41]

check_difference (Traffic1, Traffic2, Selected1, 'diff_outside',

-255, 15, 0, 0, 0)根据两幅图的不同 进行图像分割。

bin_threshold 自动阈值分割，与 auto_threshold (Image, Regions, 10)类

似，但只有一个最小值 取得仅有一个阈值。

char_threshold (Alpha1, Alpha1, Characters, 6, 95, Threshold)自动

阈值分割， 阈值根据直方图的 波峰取得

dyn_threshold (ImageFilled, ImageMean, RegionDynThresh, 3,

'light')动态阈值分割。

gray_histo (Alpha1, Alpha1, AbsoluteHisto, RelativeHisto)获得绝对

与相对直方。 background_seg (Edges, BackgroundRegions)将找出的区域根据背景分割

成各个连通的区域。

fill_up_shape (BackgroundRegions, RegionFillUp, 'area', 1, 40)有

选择性的填充

smooth_funct_1d_gauss (Function, Sigma, SmoothedFunction)对一维数

组进行平滑处理。

funct_1d_to_pairs (SmoothedFunction, XValues, YValues)将数据分别

对应赋予一个横坐标。

fill_interlace (Image, ImageFilled, 'odd')修改在采集图像过程中造

成的两个半幅图像拼接的问 题。

regiongrowing (Image, Regions, 1, 1, 1, 100)将图像分割成各个灰度

值相近的区域。

expand_gray_ref (Regions, Image, EmptyRegion, RegionExpand,

'maximal', 'image', Mean, 11)根 据灰度和颜色将分离的区域连通。

expand_line (Image, RegionExpand, Line, 'mean', 'row', 100)将轮廓

拓展成一个跟其灰度相近的 区域。

expand_region (Regions, NoPixel, RegionExpanded1, 'maximal',

'image')根据设定的特征将分离 的区域连通。

fast_threshold (Image, Region, 128, 255, 10)根据最大和最小灰度以

及面积选出区域

gray_erosion_rect (Image, Imag, StrokeWidth, StrokeWidth)每个点的

灰度值用这个点的矩形掩 码内最小灰度值代替。

select_shape_std (ConnectedRegions, SelectedRegion, 'max_area',

70)从多个区域选出指定特征 相似的区域。如选出面积最大的区域。

scale_image_max (ImageReduced, ImageScaleMax)增加图像的对比度

text_line_orientation (SelectedRegion, ImageScaleMax, 30, rad(-

30), rad(30), OrientationAngle) 检测具有字符的图像的方向 rotate_image (ImageScaleMax, ImageRotate, deg(-OrientationAngle),

'constant')将图像按照指定 的角度旋转 find_text (ImageRotate, TextModel, TextResult)根据设定的模板寻找字符

get_mposition (WindowHandleButton, Row, Column, Button)获得鼠标坐标

gen_grid_region (RegionGrid, Gap, Gap, 'lines', Width, Height)生

成网格区域

clip_region (Grid, StreetGrid, 165, 20, 405, 750)选择一定范围内的区域。

clip_region_rel (RegionBorder, RegionClipped, 5, 5, 5, 5)选择四

边都减去一定像素的区域

gray_closing (Image, ImageReduced, ImageClosingFast)灰度值闭操作

gray_opening (Image, ImageReduced, ImageOpeningFast)灰度值开操作

hysteresis_threshold (EdgeAmplitude, RegionHysteresis, 10, 20,

10)当大于最大阈值的点取出做 为可靠点，最大与最小值之间的点根据与可靠

点的关系选出。

get_domain (Image, Domain)得到整幅图像的区域

gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)在区域内

部的实心区域得到一个 平行于横坐标的最大矩形。

complement(Region : RegionComplement : : )找到输入区域的补区域

interjacent (Regions, RegionInterjacent, 'border')找到将各个区域

分割开的区域

local_max (Image, LocalMaxima)找到比周围灰度值都大的点。

local_min (ImageInverted, LocalMinima)找到比周围灰度值都小的点

smooth_image (Image, ImageSmooth, 'deriche2', 0.2)平滑图像

invert_image (ImageSmooth, ImageInverted)用 255 减去每个点的灰度

值作为这个点新的灰度 值。

shape_trans (RegionFillUp, Pads, 'convex')根据指定的参数对区域的

形状进行转换， 如转换成正 方形等。

select_shape_proto (Pads, BallBonds, MissingBonds, 'overlaps_rel',

合集下载

halcon 中do_ocv_simple算子理解

halcon 中do_ocv_simple算子理解

一、介绍

Halcon是一款强大的机器视觉软件，其内置了丰富的算子用于图像处理和分析。其中，do_ocv_simple算子是Halcon中常用的一个算子，用于进行简单的光学字符识别（OCR）任务。本文将针对这一算子进行深入的理解和探讨，以帮助读者更好地掌握Halcon软件的应用。

二、算子原理

1. do_ocv_simple算子是基于Halcon内置的光学字符识别引擎（OCR）实现的。其原理是通过对输入的图像进行预处理，然后使用OCR引擎对图像中的字符进行识别，并返回识别结果。

2. 在进行字符识别之前，通常需要对原始图像进行一系列的预处理操作，例如图像灰度化、去噪、字符分割等。这些预处理操作可以提高字符识别的准确性和鲁棒性。

3. do_ocv_simple算子支持对单个字符或者多个字符的识别，用户可以根据实际需求设置参数进行调整。

三、使用方法

1. 在使用do_ocv_simple算子进行字符识别时，首先需要加载需要处理的图像，并进行必要的预处理操作。可以使用Halcon中的preprocessing算子对图像进行灰度化、去噪等处理。

2. 接下来，可以调用do_ocv_simple算子对预处理后的图像进行字符识别。在调用该算子时，需要指定相应的参数，例如字符的位置、字符的大小、识别的字符集等。

3. 根据算子的返回结果，可以进一步处理识别到的字符，例如进行后续的数据分析、记录统计等。也可以根据识别结果对图像进行标记或者其他可视化操作。

四、注意事项

1. 在使用do_ocv_simple算子进行字符识别时，需要根据实际情况选择合适的参数，以确保识别的准确性和稳定性。

2. 对于不同类型的文本和背景，可能需要调整预处理操作的参数，以适应不同的场景和要求。在实际使用中，需要不断尝试和调整，以获得最佳的识别效果。

3. 还需要注意算子的性能和运行效率，尤其是在处理大规模图像和复杂场景时，需要合理优化算法和参数，以保证处理速度和准确性。

halcon 旋转区域算子

halcon 旋转区域算子

第 1 页 共 2 页 halcon 旋转区域算子

（实用版）

目录

1.旋转区域算子的概念

2.旋转区域算子的原理

3.旋转区域算子的应用

4.旋转区域算子的优缺点

正文

一、旋转区域算子的概念

旋转区域算子（Halcon Rotating Area Operator）是一种图像处理算子，主要用于识别和提取图像中的旋转区域特征。它可以对图像中的目标进行旋转操作，以便更好地匹配和识别。旋转区域算子广泛应用于计算机视觉、图像识别、目标检测等领域。

二、旋转区域算子的原理

旋转区域算子的原理是基于离散余弦变换（Discrete Cosine

Transform，DCT）和旋转矩阵。在图像处理中，DCT 可以将图像从空间域转换到频率域，从而实现对图像的频率特征进行分析和处理。旋转矩阵则可以实现对图像的旋转操作。

具体来说，旋转区域算子首先对输入图像进行 DCT 变换，得到图像的频率域表示。然后，根据预先设定的旋转角度，对频率域图像进行旋转处理，得到旋转后的频率域图像。最后，将旋转后的频率域图像通过逆 DCT

变换，得到旋转后的空间域图像。

三、旋转区域算子的应用

旋转区域算子在实际应用中有很多场景，主要包括： 第 2 页 共 2 页 1.图像匹配：在图像匹配任务中，旋转区域算子可以帮助我们提取图像中的旋转特征，从而实现对图像的精确匹配。

2.目标检测：在目标检测任务中，旋转区域算子可以用于检测图像中的旋转目标，例如车牌识别、人脸识别等。

3.图像识别：在图像识别任务中，旋转区域算子可以帮助我们提取图像中的旋转特征，从而提高图像识别的准确性。

四、旋转区域算子的优缺点

旋转区域算子具有以下优缺点：

优点：

1.可以对图像中的旋转区域进行有效识别和提取。

2.具有较好的旋转特性，可以应对不同角度的旋转。

3.可以提高图像处理任务的准确性和鲁棒性。

缺点：

1.计算复杂度较高，对计算资源和时间的要求较高。

halcon两点生成直线的算子

halcon两点生成直线的算子

在机器视觉领域，Halcon软件是一个广泛应用的工具，它提供了许多强大的算子来处理图像。其中，两点生成直线的算子是Halcon中的一个重要功能，它可以根据给定的两个点，快速准确地生成一条直线。本文将深入探讨这一算子的工作原理、应用场景和个人观点。

一、算子原理

在Halcon中，两点生成直线的算子主要使用两个点的坐标作为输入，然后通过数学计算得到过这两个点的直线方程。具体来说，算子使用两点式直线方程进行计算，该方程可以表示为：

(y - y1)/(y2 - y1) = (x - x1)/(x2 - x1)

其中，(x1, y1)和(x2, y2)为输入的两个点的坐标。通过这个方程，Halcon可以快速有效地生成直线，并在图像中进行标记和分析。

二、应用场景

两点生成直线的算子在实际的图像处理中有着广泛的应用场景，比如机器人视觉系统、自动化检测系统等。通过该算子，可以快速准确地提取图像中的直线特征，为后续的图像分析和处理提供有力支持。

个人观点和理解

在我看来，两点生成直线的算子是Halcon软件中非常实用的功能之一。它为我们在图像处理过程中提取直线特征提供了便利，减少了繁琐的计算和不必要的时间开销。该算子的精准度和稳定性也让人印象深刻，使得我们在实际应用中能够更加放心地使用。

总结

通过本文的介绍，我们深入了解了Halcon软件中两点生成直线的算子的原理和应用场景。该算子的高效性和准确性使其成为图像处理中不可或缺的利器，为我们提供了便利和支持。希望本文的内容能够帮助读者更好地理解和使用这一功能。

以上是全面评估和撰写的文章内容，希望对您有所帮助。

三、算子的工作原理

在Halcon软件中，两点生成直线的算子实际上是基于数学原理来进行计算和生成直线的。通过输入的两个点的坐标，算子可以快速地利用两点式直线方程来计算生成一条直线。这个方程可以帮助我们准确地得到一条经过指定两个点的直线，在图像处理中具有非常重要的作用。

halcon中difference算子

halcon中difference算子

halcon中difference算子

Halcon中的“difference算子”是一个非常重要的运算符，可用于图像分割以及特定区域的检测和匹配。这篇文章将介绍“difference算子”的原理、用法以及应用范围。

一、原理与用途

“difference算子”是指将两幅图像逐点作差，生成一个新的差分图像的运算。其原理在数学上可以表示为：

I(x,y)=|A(x,y)-B(x,y)|

其中，I(x,y)是输出图像，A(x,y)和B(x,y)分别是输入的两幅源图像。如果两幅源图像中的像素值相等，则输出图像中的像素值为0；如果它们的像素值不同，则输出图像中的像素值为差值的绝对值。

在Halcon中，“difference算子”主要用于图像分割，它可以通过在输入图像上的某个区域中选择不同的像素值，将区域分割成几个子区域。相应地，应用该算子可以在图像中检测特定区域。例如，如果对一张水果图像应用“difference算子”，可以从图像中分离出任何一种水果，因为他们拥有不同的颜色或纹理等特征。

该算子还可以用于匹配和跟踪运动物体。在第一幅图像中，可以选择物体的一部分作为模板，然后在后续帧中用相同的算法来寻找相同的区域。差分图像中的非零像素会使匹配更加准确，因为它们表示两幅图像中的不同区域。

二、Halcon应用

在Halcon中，应用“difference算子”主要有以下几个环节：

1、图像分割

为了进一步展示该算子的用途，我们准备了以下图像：

图1：源图像

基于该原图像，我们定义一张具有类别标记的大部分区域图：

图2：区域图

接下来我们就可以根据图2中不同区域的标记，在原图像中使用“difference算子”来分割图像。为了演示不同区域的分割效果，可以用不同的颜色来加以区分。结果如图3所示：

图3：分割后的图像

通过使用“difference算子”，可以将一张图像分成多个区域，便于进行进一步的数据分析以及特定目标的检测等工作。