Halcon平铺tile三算子浅析

文章目录

Halcon平铺tile三算子浅析
- 1. 平铺三算子
- 2. tile_channels
- 3. tile_images
- 4. tile_images_offset
- 5. 利用tile_images_offset拼接一幅自己的图像
- 6.总结

1. 平铺三算子

tile词典释意：

地砖；瓦片；（棋盘游戏的）棋子
铺瓦；铺地砖；贴瓷砖；平铺显示

Halcon中以tile开头的算子有三个，分别是tile_channels、tile_images、tile_images_offset, 它们的作用都是进行图像的平铺。通过平铺操作，可以实现图像的简单拼接（非融合拼接）。
下面我们来分别看一下这三个算子，并通过tile_images_offset来实现一个小小的拼图实例。

2. tile_channels

看看Halcon的文档里是怎么描述这个算子的：
tile_channels - 将多张图像平铺成一张大图。
tile_channels(Image : TiledImage : NumColumns, TileOrder : )
这个算子共有四个参数，分别是

输入参数1 Image 即输入的图像，是一个多通道的图像，但每一个通道大小需要一致；
输出参数1 TiledImage 即平铺后的结果图像，是一幅单通道灰度图；
输入参数2 NumColumns 即列数目；
输入参数3 TileOrder 即平铺的顺序。

将Halcon文档对此算子的说明简略翻译如下：

tile_channels将由多个通道组成的图像平铺为一个大的单通道图像。输入图像包含相同大小的Num个图像，这些图像分别存储在各个通道中。输出图像平铺图像包含一个单通道图像，其中Num输入通道已平铺到NumColumns列中。特别地，这意味着tile_channels无法平铺彩色图像。如果需要平铺彩色图像，可以使用tile_images。参数TileOrder确定在NumColumns不能确定图像复制到输出中的顺序（即，如果NumColumns!=1且NumColumns!=Num，分别对应竖排和横排）。如果TileOrder=‘horizontal’，则图像将在水平方向复制，即图像的第二个通道将位于第一个通道的右侧。如果TileOrder=‘vertical’，则在垂直方向复制图像，即图像的第二个通道将位于第一个通道的下方。通过将图像分别复制到输出图像中的相应位置来获得TileImage的图像。如果Num不是NumColumns的倍数，则输出图像的右下角将有未定义的灰度值。输出图像将反映这一点。

从这段描述里我们总结一下：

tile_channels只能处理灰度图像，因为它的输出是一个单通道的图，且因为多个通道只是存在同一幅图像中，所以每个通道的大小必须完全一致；
可以通过NumColumns指定图像排列的列数；
如果NumColumns为1或Num（Num为图像的总数），则TileOrder就不会起作用，这两种情况以外，TileOrder若指定为’horizontal’则表明图像按通道顺序水平排列，排满NumColumns列后转到下一行，TileOrder若指定为’vertical’则表明图像按通道顺序垂直排列，排满NumColumns行后转到下一列；
如果图像的总数在排列时不是行（水平排）或列（竖直排）整倍数，则拼接后图像的右下角会出现空白区域。

好，让我们来看看这个算子的例程tile_channels.hdev：

read_image (Xing1, 'xing/xing000')
read_image (Xing2, 'xing/xing050')
read_image (Xing3, 'xing/xing100')
read_image (Xing4, 'xing/xing150')
read_image (Xing5, 'xing/xing200')
read_image (Xing6, 'xing/xing250')
read_image (Xing7, 'xing/xing300')
get_image_size (Xing1, Width, Height)
gen_rectangle1 (Image, 0, 0, Height - 1, Width - 1)
append_channel (Image, Xing1, Image)
append_channel (Image, Xing2, Image)
append_channel (Image, Xing3, Image)
append_channel (Image, Xing4, Image)
tile_channels (Image, TiledImage1, 1, 'vertical')
tile_channels (Image, TiledImage2, 2, 'vertical')
tile_channels (Image, TiledImage3, 2, 'horizontal')
tile_channels (Image, TiledImage4, 4, 'horizontal')
append_channel (Image, Xing5, Image)
append_channel (Image, Xing6, Image)
append_channel (Image, Xing7, Image)
tile_channels (Image, TiledImage5, 5, 'horizontal')
tile_channels (Image, TiledImage6, 3, 'vertical')
tile_channels (Image, TiledImage7, 5, 'vertical')

这个例程应用在监控图像的平铺上，这里面就应用到了按行、按列顺序进行排列的不同情况。
这里一共有七张结果图，我们就不一一分析了，单独把第七张拎出来看一下：

Image里共有7个通道，TiledImages7是按照竖直方向排列，要排列5列，那么可以参考下图的排列方法

按这个排列方式我们就能看到右下角为什么会空出这样的三个位置。

3. tile_images

看看Halcon的文档里是怎么描述这个算子的：
tile_images - 将多张图像平铺成一张大图。
tile_images(Images : TiledImage : NumColumns, TileOrder : )
这个算子共有四个参数，分别是

输入参数1 Images 即输入的图像，是一个Hobject, 是由多个相同通道数的图像组合而成，图像的大小不要求一致；
输出参数1 TiledImage 即平铺后的结果图像，是一幅和Images通道数一致的图像；
输入参数2 NumColumns 即列数目；
输入参数3 TileOrder 即平铺的顺序。
将Halcon文档对该算子的描述简略翻译如下：

tile_images将多个输入图像对象平铺到一个大图像中，这些对象必须包含相同数量的通道。输入图像对象图像包含Num图像，其大小可能不同。输出图像平铺图像包含与输入图像一样多的通道。在输出图像中，Num个输入图像已平铺到NumColumns列中。每个“瓷砖” 都有相同的大小，这取决于所有输入图像的最大宽度和高度。如果输入图像小于分幅大小，则会将其复制到相应分幅的中心。参数TileOrder确定在NumColumns尚未确定图像复制到输出中的顺序（即，如果NumColumns！=1和NumColumns！=Num）。如果TileOrder=‘horizontal’，则在水平方向复制图像，即图像的第二个图像将位于第一个图像的右侧。如果TileOrder=‘vertical’，则沿垂直方向复制图像，即图像的第二个图像将位于第一个图像的下方。通过将图像域复制到输出图像中的相应位置，可以获得TileImage的图像。如果Num不是NumColumns的倍数，则输出图像的右下角将有未定义的灰度值。输出图像将反映这一点。

总结一下我们发现其实这个算子和上面tile_channels非常接近，所不同的是

可以处理彩色图像，每一幅用来平铺的图像要求通道数一致，但大小可以不一致；
每个格位大小是一样的，是Images中最大尺寸的那幅图像的大小；
如果当前格位中的图像小于标准尺寸，则会被放置在正中心。

我们还是来看一下例子tile_images_size.hdev

read_image (Image, 'claudia')
concat_obj (Image, Image, Images)
tile_images (Images, TiledImage1, 1, 'vertical')
tile_images (Images, TiledImage2, 2, 'horizontal')
crop_rectangle1 (Image, ImagePart1, 20, 20, 459, 349)
concat_obj (ImagePart1, ImagePart1, ImagesPart1)
concat_obj (Images, ImagesPart1, Images4)
tile_images (Images4, TiledImage3, 2, 'horizontal')
tile_images (Images4, TiledImage4, 2, 'vertical')
crop_rectangle1 (Image, ImagePart2, 30, 100, 229, 299)
concat_obj (Images4, ImagePart2, Images5)
tile_images (Images5, TiledImage5, 3, 'horizontal')
tile_images (Images5, TiledImage6, 3, 'vertical')
crop_rectangle1 (Image, ImagePart3, 250, 80, 399, 199)
concat_obj (ImagePart3, ImagePart3, ImagesPart3)
concat_obj (Images5, ImagesPart3, Images7)
tile_images (Images7, TiledImage7, 5, 'horizontal')
tile_images (Images7, TiledImage8, 5, 'vertical')

之所以选择这个例子，是因为它可以让我们看到这个算子的一些特性，我们选择TiledImage8来进行观察：

可以看到，按格位进行排列的方式和tile_channels是一致的，且小的图像被放在了格位的正中位置。

4. tile_images_offset

看看Halcon的文档里是怎么描述这个算子的：
tile_image_offset - 根据显式地指定的位置信息将多张图像平铺成一张。

tile_images_offset(Images : TiledImage : OffsetRow, OffsetCol, Row1, Col1, Row2, Col2, Width, Height : )

参数比较多：

输入参数1： Images 即输入的图像，要求和tile_images中一样；
输出参数1： TiledImage 即输出的图像，和Images通道数一致；
输入参数2： OffsetRow 指定待平铺的每幅子图的左上角的Y坐标，注意每幅子图均需要分别指定；
输入参数3： OffsetCol 指定待平铺的每幅子图的左上角的X坐标，注意每幅子图均需要分别指定；
输入参数4： Row1 指定每幅图像裁剪的左上角Y坐标，如果默认大小则为-1，注意每幅子图均需要分别指定，如果都是默认大小，也要分别指定；
输入参数5： Col1 指定每幅图像裁剪的左上角X坐标，其他同输入参数4；
输入参数6： Row2 指定每幅图像裁剪的右下角Y坐标，其他同输入参数4；
输入参数7： Col2 指定每幅图像裁剪的右下角X坐标，其他同输入参数4；
输入参数8： Width 输出的图像的宽度；
输入参数9： Height 输出的图像的高度。

下面简略翻译一下Halcon文档中对该算子的描述：

tile_images_offset将多个输入图像对象平铺到一个大图像中，这些对象必须包含相同数量的通道。输入图像对象图像包含Num图像，其大小可能不同。输出图像平铺图像包含与输入图像一样多的通道。输出图像的大小由参数宽度和高度决定。输入图像左上角在输出图像中的位置由参数OffsetRow和OffsetCol确定。这两个参数必须正好包含Num值。或者，可以将每个输入图像裁剪为比输入图像小的任意矩形。为此，必须相应地设置参数Row1、Col1、Row2和Col2。如果这四个参数中的任何一个设置为-1，则不会裁剪相应的输入图像。在任何情况下，所有四个参数都必须包含Num值。如果剪切输入图像，位置参数OffsetRow和OffsetCol指的是剪切图像的左上角。如果输入图像在输出图像中彼此重叠（同时考虑其各自的域），则图像中具有较高索引的图像覆盖具有较低索引的图像的图像数据。通过将图像域复制到输出图像中的相应位置，可以获得TileImage的图像。

这里面我们能得到以下要点，总结一下：

指定裁剪参数的四个值里面如果有一个为-1，则不会进行裁剪；
如果图像在输出图像中相互重叠，则图像中具有较大索引的图像覆盖具有较小索引的图像；

特别注意的是，Halcon提醒：如果拼接时子图是大小一致，且对齐排列，那么用tile_images会比tile_images_offset要略快一些。

让我们来看一下例程tile_images_offset.hdev

read_image (Image, 'claudia')
crop_rectangle1 (Image, ImageParts, [10,230], [60,120], [219,339], [299,219])
concat_obj (Image, ImageParts, Images)
tile_images_offset (Images, TiledImage, [0,290,390], [0,340,210], [-1,-1,-1], [-1,-1,-1], [-1,-1,-1], [-1,-1,-1], 500, 500)
concat_obj (Image, Image, Image2)
concat_obj (Image2, Image, Image3)
tile_images_offset (Image3, TiledImage2, [0,290,390], [0,340,210], [-1,10,230], [-1,60,120], [-1,219,339], [-1,299,219], 500, 500)
sub_image (TiledImage, TiledImage2, ImageSub, 10, 128)

我们只来看一下TiledImage的结果就好：

注意重叠区，右下角的人物脸部图像的索引是2，胸口项链图像的索引是3，它们与半身人物图有重叠，但因为它们的索引值较大，所以覆盖在半身人物图之上。另外，超出最终输出图像大小的部分被裁剪掉了。如下图所示：是人物脸部图的完整图。

5. 利用tile_images_offset拼接一幅自己的图像

在了解了tile_images_offset的使用方法后，我们就可以自己来写一个生成拼接图的小实例了。

下面这个实例首先生成了四幅单通道的黑白图像，尺寸分别是 200 × 200 200\times200 200×200, 300 × 200 300\times200 300×200, 100 × 300 100\times300 100×300, 400 × 300 400\times300 400×300，为了能够看清楚四幅图像的边界，我们给这四幅图像赋了不同的灰度值；
接下来将这四幅图像用concat_obj合并成同一个图像对象；
最后用tile_images_offset算子来平铺，看到第三个参数是四个子图的左上点的Y坐标，第四个参数是四个子图的左上点的X坐标，剩下的裁剪参数均要赋成默认，即-1，注意此处参数的维数要和子图的数目一致；
最后两个参数为平铺后图像的总尺寸，在此例中是凑好的数字，长宽都是500。

gen_image_const (Image, 'byte', 200, 200)
paint_region (Image, Image, Image, 255, 'fill')
gen_image_const(Image1,'byte', 300, 200)
paint_region(Image1, Image1, Image1, 128, 'fill')
gen_image_const (Image2, 'byte', 100, 300)
paint_region(Image2, Image2, Image2, 100, 'fill')
gen_image_const (Image3, 'byte', 400, 300)
paint_region (Image3, Image3, Image3, 200, 'fill')
concat_obj (Image, Image1, ObjectsConcat)
concat_obj (ObjectsConcat, Image2, ObjectsConcat)
concat_obj (ObjectsConcat, Image3, ObjectsConcat)
tuple_gen_const (4, -1, defaultTuple)
* defaultTuple := [-1, -1, -1, -1]
tile_images_offset (ObjectsConcat, TiledImage, [0, 0, 200, 200], [0, 200, 0, 100], defaultTuple, defaultTuple, defaultTuple, defaultTuple, 500, 500)

上述程序的结果如下所示：

6.总结

平铺三算子里，tile_channels只能处理同等大小的灰度图像平铺；
tile_images可以处理大小不一致，但通道数一致的彩色图像平铺, 如果图像的大小小于最大尺寸的图像，则该图像会被平铺在当前格位的正中；
tile_images_offset功能最为强大，可以任意指定平铺图像的位置，并能对被平铺图像进行截取，但它的参数配置最为复杂，且它也要求待平铺的图像通道数必须保持一致；
在使用这三个算子时应该根据自己的需要进行选择，不一定非要使用最为灵活的tile_images_offset。

【创作不易，水平有限，若有错漏，轻喷勿骂】