[机器视觉]halcon应用实例多ROI模板匹配

本示例是单ROI的功能扩展示例，多ROI.后面有空了将出用户自定义ROI。

比单ROI增加ROI区域的连接和合并。还有for的实例应用。步骤同单ROI一样。不懂的可以看一下单ROI文章。[机器视觉]halcon应用实例单ROI模板匹配-CSDN博客

有需要的可以【点赞】【关注】【收藏】【订阅】

dev_set_color ('red')
dev_set_draw ('margin')
*获取窗口句柄对象
dev_get_window (WindowHandle)
*读取图片
read_image (Image, 'E:/stevenChen/机器视觉学习/HDevelop/视觉图片/ROI/1.bmp')*多ROI 
*选取ROI
*第一个ROI
*画矩形1
*参数说明
*WindowHandle (输入参数)窗口句柄
*Row1, Column1 (输出参数)矩形的左上角坐标
*Row2, Column2 (输出参数)矩形的右上角坐标
draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2)
*生成矩形1
*根据上面算子的输出参数生成一个矩形
*Rectangle 输出参数，生成的矩形
*Row1, Column1 (输入参数)矩形的左上角坐标
*Row2, Column2 (输入参数)矩形的右上角坐标
gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)*-------------------
*第二个ROI
*画矩形
draw_rectangle1 (WindowHandle, Row10, Column10, Row20, Column20)
*生成矩形
*根据上面算子的输出参数生成一个矩形
gen_rectangle1 (Rectangle10, Row10, Column10, Row20, Column20)
*连接两个对象，ObjectsConcat = [Objects1,Objects2]
*参数列表：
*第1个参数Objects1是输入对象，即对象1
*第2个参数Objects2是输入变量，即对象2
*第3个参数ObjectsConcat是输出变量，即连接后的区域
*concat_obj (Rectangle, Rectangle10, ObjectsConcat)
*union2
*union2（）——将两个区域合并成一个整体，仅限两个
*函数原型：union2(Region1（输入）, Region2（输入） : RegionUnion（输出） : : )
*功能：将Region2 和Region1元组内的区域合并成一个独立的区域保存于RegionUnion 。把第二个参数Region2里的所有区域合并，然后将合并后的区域分别与Region1中的每一个区域进行合并，然后保存到RegionUnion 中。最后，RegionUnion 元素个数与Region1元素个数相同。
*参数：
*Region1 (input_object) ——要与Region2中的所有区域的并集计算的区域
*Region2 (input_object) ——要添加到Region1的区域
*RegionUnion (output_object) ——(输出)最终得到的区域
*      要素数：:RegionUnion == Region1
union2 (Rectangle, Rectangle10, RegionUnion1)
*-------------------
*第三个ROI
*画矩形
draw_rectangle1 (WindowHandle, Row100, Column100, Row200, Column200)
*生成矩形
*根据上面算子的输出参数生成一个矩形
gen_rectangle1 (Rectangle100, Row100, Column100, Row200, Column200)
*concat_obj (Rectangle100, ObjectsConcat, ObjectsConcatAll)*把所有的输入区域合并为一个区域
*功能：函数将Region元组内的全部区域合并成一个独立的区域，保存于RegionUnion
*参数：
*Region (input_object) ——要计算其并集的区域，也就是一个个的输入区域
*RegionUnion (output_object) ——所有输出区域的并集*要素数: RegionUnion <= Region
*union1 (Rectangle100, RegionUnionAll)
union2 (RegionUnion1, Rectangle100, RegionUnionAll)*锁定ROI并创建模板
*单ROI
*获得特定区域Region位置的图像，获取区域图像
*Image （输入参数）输入的图像
*Rectangle 输入参数）输入的区域，上面画的矩形区域
*ImageReduced （输出参数）输出的图像，是Image中Rectangle的那部分图像
reduce_domain (Image, RegionUnionAll, ImageReduced)*用于创建形状模板
*形状模板是一种用于检测和匹配特定形状的工具，常用于目标识别、物体定位和测量等应用中。
*参数说明：
*ObjectModel：包含待创建模板的形状的二值图像。
*NumLevels：金字塔层数，用于多尺度匹配。可设为“auto”或0—10的整数
*AngleStart：起始角度（以度为单位），用于模板的旋转范围。rad(-180)
*AngleExtent：旋转角度的范围（以度为单位）。rad(-180), rad(180)表示360度匹配
*AngleStep：旋转角度的步长，可以是’auto’或具体的值。
*ScaleMin：最小缩放比例。
*ScaleMax：最大缩放比例。
*ScaleStep：缩放比例的步长。
*Optimization：优化模式，用于加速模板匹配。
*Metric：模板匹配的度量方式。
*Contrast：对比度增强系数。
*MinContrast：最小对比度阈值。
*ModelID：输出的模板ID。
*https://blog.csdn.net/xiaogongzhu001/article/details/131120014
*1.NumLevels（金字塔的层数），金字塔的层数越大，找到匹配使用的时间就越小。（金字塔的层数越大，提取到的特征越少，精准度越低，所以对应的识别时间少）
*如果金字塔的层数设置的太大，模板不容易识别出来，这是需要将find_shape_model函数中MinScore和Greediness参数设置的低一些。
*参数解析及优化 https://blog.csdn.net/the_future_way/article/details/115345989
*create_shape_model (ImageReduced, 'auto', rad(0), rad(360), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
create_shape_model (ImageReduced, 'auto', rad(-180), rad(180), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
*-----模板创建结束----------------------------------*-----开始测试----------------------------------------------*图片文件夹
imageDir := 'E:/stevenChen/机器视觉学习/HDevelop/视觉图片/ROI'*获取文件列表
list_files (imageDir, ['files','follow_links','recursive'], ImageFiles)*可以用for算子把文件一个一个打开
for Index := 0 to |ImageFiles| - 1 by 1*从文件集合中获取指定索引的数据imagePath := ImageFiles[Index]    *判断文件是否存在，存在返回true,否则返回false*imagePath 输入参数：要判断的文件路径*FileExists 输出参数: 输出文件是否存在，存在返回true，否则返回falsefile_exists (imagePath, FileExists)if (FileExists)*显示文本消息dev_close_window ()*读取图片read_image (Image, imagePath)  get_image_size (Image, Width, Height)dev_open_window (0, 0, Width, Height, 'black', WindowHandle)dev_display (Image)*4.加载测试图像*read_image (Image1, 'E:/stevenChen/机器视觉学习/HDevelop/视觉图片/ROI/12.bmp')*5.使用已有模板句柄来匹配*形状模板匹配*形状匹配原理：模板创建后，会根据模板中的边缘等关系去图像中进行搜索，可以理解成提取模板中的灰度发生变化的那些点，*然后再去图像中匹配，这样的效果是对干扰比较稳定，匹配速度快，并且即使边缘发生部分遮挡，匹配效果依旧较好*参数说明*参数1：输入图像--单通道图像*参数2：模板句柄*参数3：搜索时的起始角度 rad(-180), rad(180) 正好是一圈*参数4：搜索时的终止角度，必须与创建模板时的有交集 *参数5:被找到的模板最小分数--大于等于这个值才能被匹配*      默认值：0.5      建议值：0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0*      典型值范围：0≤MinScore ≤ 1*      最小增量：0.01       建议增量：0.05*参数6：要找到的模板最大实例数*参数7：要找到的模型实例的最大重叠*      默认值：0.5       建议值：0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0*      典型值范围：0≤ MaxOverlap≤ 1      最小增量：0.01     建议增量：0.05*参数8：计算精度的设置*        'none', 'interpolation', 'least_squares', 'least_squares_high', 'least_squares_very_high'*        'max_deformation 1', 'max_deformation 2', 'max_deformation 3', 'max_deformation 4'*        'max_deformation 5', 'max_deformation 6'*参数9：搜索时金字塔的层级*参数10：贪婪度，搜索启发式，一般都设为0.8，越高速度快,容易出现找不到的情况*       0≤ Greediness ≤ 1   *最后4个：输出匹配位置的行和列坐标、角度、得分 【中心坐标】*https://blog.51cto.com/liming19680104/5152387
*        find_shape_model (Image1, ModelID, rad(0), rad(360), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)find_shape_model (Image, ModelID, rad(-180), rad(180), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)*6.把匹配轮廓显示到图像中*ModelContours 输出参数,匹配到的模块轮廓，*ModelID 输入参数，模板ID,*Level 金字塔层数get_shape_model_contours(ModelContours, ModelID, 1)*从点和角度计算刚性仿射变换*参数：*Row1 (输入参数) ——原始点的行坐标*Column1 (输入参数) ——原始点的列坐标*Angle1 (输入参数) ——原始点的角度*Row2 (输入参数) ——转换点的行坐标*Column2 (输入参数) ——转换点的列坐标*Angle2 (输入参数) ——转换点的角度*HomMat2D (输出参数) ——输出转换矩阵*原文链接：https://blog.csdn.net/m0_51271525/article/details/121017373vector_angle_to_rigid (0, 0, 0, Row, Column, Angle, HomMat2D)*ength := tuple_length (row,len)tuple_length (Row, rowLength)if(rowLength > 0)*仿射变换轮廓*对XLD轮廓进行任意仿射2D变换*将任意仿射2D变换，即缩放、旋转、平移和倾斜（倾斜）应用于轮廓中给定的xld轮廓，并以ContoursAffineTrans的形式返回变换后的轮廓*参数：*Contours (输入参数) ——输入XLD轮廓。*ContoursAffineTrans (输出参数) ——转换后的XLD轮廓*HomMat2D (输入参数) ——输入转换矩阵affine_trans_contour_xld (ModelContours, ContoursAffineTrans, HomMat2D)*显示结果dev_display (Image)dev_set_color ('green')dev_display (ContoursAffineTrans)elsedisp_message (WindowHandle, '没有匹配到ROI', 'window', 12, 12, 'black', 'true')endifelsedisp_message (WindowHandle, '图片-不存在->路径:'+imagePath, 'window', 12, 12, 'black', 'true')endif
endfor
*释放模板句柄
clear_shape_model (ModelID)