前言：

==========================================================

分类器相对于深度学习来讲是一种古老传统的图片处理技术。halcon中常见的有四类分类器：MLP(多层神经网络neural Nets)

SVM(支持向量机)

K-NN(K-最邻近)

GMM(高斯混合类型)

分类器的应用领域主要是下面这些：image segmentation         图像分割

object recognition             对象识别

quality control                 质量控制

novelty detection             缺陷检测

optical character recognition(OCR)      光学字符识别

勇哥第一次见到分类器的视觉项目是锂电池的极片缺陷检测，效果还不错。

这两年深度学习火起来后，发现深度学习完成上面所说的领域的应用更容易，效果也更好。

但深度学习对硬件要求太高，你把IPC加装个一百多W的显卡很多时候是不现实的。

如果你用cpu来跑，会发现速度乎快乎慢，cpu全部内核会100%被占用。

分类器相对于深度学习来讲不吃硬件，所以相对来讲算是轻量级的应用。

==========================================================

这个例子在前面讲gmm的时候用过。

原始图片

分割前训练用的区域，共4个。

Sea  蓝色海面

Deck   红色甲板

Walls   白墙

Chimney 黑色烟囱

然后经过svm训练后，分割出来的效果如下

这个结果要对比一下gmm的结果，才更有意义。

gmm的结果如下图，其中黑色的部分是“不属于任何分类”的部分。

也就是说gmm自动会有一个“例外分类”。这也是为啥gmm支持异常检测的原因。这个异常就是“例外分类”。

而上面的svm的结果，是不会有例外分类的，因为程序指定4类，所以图片中所有部分都被划入指定的4个分类时。

源码：* 这个示例程序演示了如何用支持向量机分类器分割RGB图像。分类器使用四种不同的颜色进行训练。

dev_update_off ()

dev_close_window ()

dev_open_window (0, 0, 735, 485, 'black', WindowHandle)

set_display_font (WindowHandle, 14, 'mono', 'true', 'false')

dev_set_draw ('margin')

dev_set_colored (6)

dev_set_line_width (3)

read_image (Image, 'patras')

dev_display (Image)

Color := ['indian red','cornflower blue','white','black','yellow']

* 创建4个region做为采样区域

gen_rectangle1 (Sea, 10, 10, 120, 270)

gen_rectangle2 (Deck, [170,400], [350,375], [-0.56,-0.75], [64,104], [26,11])

union1 (Deck, Deck)

gen_rectangle1 (Walls, 355, 623, 420, 702)

gen_rectangle2 (Chimney, 286, 623, -0.56, 64, 33)

concat_obj (Sea, Deck, Classes)

concat_obj (Classes, Walls, Classes)

concat_obj (Classes, Chimney, Classes)

dev_set_color (Color[0])

dev_display (Deck)

dev_set_color (Color[1])

dev_display (Sea)

dev_set_color (Color[2])

dev_display (Walls)

dev_set_color (Color[3])

dev_display (Chimney)

Message := 'Training regions for the color classifier'

disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')

disp_continue_message (WindowHandle, 'black', 'true')

stop ()

* 创建SVM，添加样本

create_class_svm (3, 'rbf', 0.1, 0.0005, 4, 'one-versus-all', 'normalization', 3, SVMHandle)

add_samples_image_class_svm (Image, Classes, SVMHandle)

dev_display (Image)

Message := 'Training ...'

disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')

* 训练

train_class_svm (SVMHandle, 0.001, 'default')

Message := Message + ' ready.'

Message[1] := 'Segment image using the classifier ...'

disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')

* 分割图片，也可以说是分类图片的不同部分

classify_image_class_svm (Image, ClassRegions, SVMHandle)

region_to_mean (ClassRegions, Image, ImageClass)

dev_display (ImageClass)

Message[1] := Message[1] + ' ready.'

disp_message (WindowHandle, Message, 'window', 12, 12, 'black', 'true')

代码没啥子好讲的。

就这样了。

---------------------

作者：hackpig

来源：www.skcircle.com

版权声明：本文为博主原创文章，转载请附上博文链接！

#转载请注明出处 www.skcircle.com 《少有人走的路》勇哥的工业自动化技术网站。如果需要本贴图片源码等资源，请向勇哥索取。

收藏 | 0点赞 | 0打赏作者