Variation Model

简介：Variation Model的主要原理是将待检测的图像与一张标准图像作比较，找出待检测图像与标准图像（idealimage）的明显差异（也就是不良）。标准图像可以采用几张OK品的图像训练（training）得到，也可以通过对一张OK品图像进行处理得到。训练后得到标准图像和一张variation图像（variationimage），variation图像中包含了图像中每个像素点灰度值允许变化的范围。标准图像和variation图像用来创建一个variationmodel，如此，其他图像就可以与variationmodel作比较了。（引用http://blog.sina.com.cn/s/blog_802a94a20102v10y.html）

算子：create_variation_model( : : Width, Height, Type, Mode : ModelID)

输入参数：width、Height是模板和待检测图像的尺寸。

输入参数：Type，是图像的类型。

输入参数：Model，决定如何计算idealimage和variationimage，其有三种模式

1、standard，该模式下，可以使用算子train_variation_model对多张图片进行迭代训练，此时ideal image是通过计算多张图片的平均值获得，variation image是通过计算多张图片的标准方差获得。该模式的优点是可以迭代计算多张good image，缺点是在训练图片时，一旦有不良的图片混入会导致算法检测时出现误判。

注意：在训练多张图片时，每张图片的位置、角度都必须一致，可使用基于形状匹配来进行定位处理，然后在进行训练train_variation_model，

2、'robust'，如果在训练多张图片时，无法避免训练的图片中出现晓得下次，可以使用该模式。此时，ideal image时通过计算多张图片的中值获得，variation image也是通过计算多张图片中值获得。该模式的优点是鲁棒性更强，缺点是无法进行迭代预算。

注意：训练多张张图片时，每张图片的位置、角度必须一致，然后使用concat_obj将图片组合起来，在使用train_variation_model进行训练。

以上两种模式下，训练完图片后只能使用prepare_variation_model算子准备用于图像比较的模板。

3、'direct'，该模式下，可以使用一张图片训练，并不需要使用train_variation_model训练模板，但只能使用prepare_direct_variation_model准备模板，并且prepare_direct_variation_model中的RefImage,就是模板图像，而 VarImage必须通过其他边缘算子生成如，sobel_amp,edges_image, or gray_range_rect.，或者自己制造一个边缘（见Halcon12例程variation_model_single）

算子：prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )

prepare_direct_variation_model(RefImage, VarImage : : ModelID, AbsThreshold, VarThreshold : )

这两个算子的作用是准备用于比较图片的模板，其不同在上文已说明。

输入参数：ModelID，训练或生成的模板。

输入参数：AbsThreshold，绝对阈值。

输入参数：VarThreshold 相对阈值。

AbsThreshold，VarThreshold 可以分别有一个值，也可以分别有两个值。当都只有一个值的时候，亮暗缺陷都是其决定的。

i（x,y）表示ideal image灰度值，v(x,y)表示variation image灰度值，c(x,y)表示待检测图片的灰度值，a=AbsThreshold,b=VarThreshold

当c(x,y)>i（x,y）+ max{a,b*v(x,y)}为亮缺陷。

当c(x,y)<i（x,y）- max{a,b*v(x,y)}为暗缺陷。

当AbsThreshold，VarThreshold有两个值时，第一个值决定亮缺陷，第二个值决定按缺陷。

i（x,y）表示ideal image灰度值，v(x,y)表示variation image灰度值，c(x,y)表示待检测图片的灰度值，AbsThreshold=[a1,a2],VarThreshold =[b1,b2]

当c(x,y)>i（x,y）+ max{a1,b1*v(x,y)}为亮缺陷。

当c(x,y)<i（x,y）- max{a2,b2*v(x,y)}为暗缺陷。

算子：compare_variation_model(Image : Region : ModelID : )

输入参数：Image，该图像为待检测图像，需要注意的是，该图像也必须与模板图像对齐。

输出参数：Region，检测出来的区域。

输入参数：ModelID，准备好的模板ID。

算子：compare_ext_variation_model(Image : Region : ModelID, Mode : )

该算子是算子compare_variation_model的拓展，其参数 MODE可以控制输出暗或亮缺陷或者都输出。

Variation Model相关推荐

HALCON：Variation Model用法解析
HALCON:Variation Model用法解析 Variation Model的主要原理是将待检测的图像与一张标准图像作比较,找出待检测图像与标准图像(ideal image)的明显差异(也就是 ...
Infrared and visible image fusion using total variation model（采用全变差模型的红外与可见光图像的融合）
由于研究需要,在非专业学习的基础上对<Infrared and visible image fusion using total variation model>进行了翻译,有翻译不对之处 ...
halcon知识：差分模板variation_model
一.差分模板这个示例程序展示了如何使用 HALCON 的变分模型算子执行典型的打印质量检查.程序检测在笔夹上的不正确打印.该程序类似于程序 print_check.hdev.主要区别是每个字符都是单 ...
【机器视觉】 if算子
00. 目录文章目录 00. 目录 01. 概述 02. 签名 03. 描述 04. 注意 05. 参数 06. 结果 07. 附录 01. 概述 if - 条件语句. 02. 签名 if( : : ...
【图像超分辨率】Remote Sensing Image Super-resolution: Challenges and Approaches
Remote Sensing Image Super-resolution: Challenges and Approaches 遥感图像超分辨率的挑战和方法 1 摘要 2 遥感观测模型 3 遥感中 ...
halcon 相似度_Halcon分类函数,shape模型
<zw版·Halcon-delphi系列原创教程> Halcon分类函数013,shape模型为方便阅读,在不影响说明的前提下,笔者对函数进行了简化::: 用符号"**&quo ...
halcon学习（算子汇总）
from:https://www.cnblogs.com/hanzhaoxin/archive/2013/01/09/2852213.html dev_clear_obj(Objects : : : ...
Halcon例程学习：print_check.hev（光学字符检测）
**************************************************************************************************** ...
【视觉-单目三维重建-理论篇】单目视觉三维重建----论文调研1
几种方法调研结果 1 非合作航天器位姿在轨测量方法的研究基于Rodrigues参数的目标相对状态确定算法(PR),并结合卡尔曼滤波,建立基于Rodrigues参数的扩展卡尔曼相对状态估计算法(PRE ...
指纹识别综述(3): 特征提取
指纹识别综述系列 1.导论:2.指纹传感器:3.特征提取:4.匹配:5.分类与检索:6.现场指纹识别: 7.指纹合成: 8.唯一性: 9.指纹系统安全:10.深度学习方法:11.专利. 本文主要基于& ...

Variation Model

算子：prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )

prepare_direct_variation_model(RefImage, VarImage : : ModelID, AbsThreshold, VarThreshold : )

算子：compare_variation_model(Image : Region : ModelID : )

输入参数：Image，该图像为待检测图像，需要注意的是，该图像也必须与模板图像对齐。

Variation Model相关推荐

最新文章

热门文章