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)