Halcon标准坐标和以边为中心坐标

halcon C++编程 第19讲 仿射变换需了解halcon的2D坐标系 函数(tcy) 1.1.坐标系分类: 1)HALCON标准坐标系:亚像素精确坐标系 标准坐标系,图像坐标系 定义:像素中心坐标,HALCON标准子像素坐标系 原点位于左上角(-0.5,-0.5)像素中心;右下角(rows+0.5,cols+0.5) 用途: affine_trans_point_2d 以_2d结尾的函数还可以用于像素坐标系 area_center 2)像素坐标系:边缘居中坐标 定义:原点位于左上角(0,0)像素中心;右下角(rows-1,cols-1) 用途:矩阵运算. 阅读详情

像素中心坐标(标准坐标)在这里插入图片描述

按照文档解释:此坐标是halcon标准坐标系,又叫图像坐标系,原点位于图像左上角第一个像素的中间,属于亚像素精确坐标,使用row,column表示位置.
图像\xld\region都在这个坐标系上

以边为中心坐标

在这里插入图片描述
按照文档解释:此坐标是halcon以边为中心标系,原点位于图像左上角第一个像素的左上角,属于亚像素精确坐标。使用x,y表示位置
由此很明显的可以知道两个坐标系相差0.5个像素点

使用以边为中心坐标系的算子


翻译过来的意思是:
在HALCON中,算子运行在不同的坐标系统中。一方面,对象被期望在它运行在标准坐标中。另一方面,对于HomMat2D变换矩阵,算子需要具有上述变换优势的边缘中心坐标。
所以我觉得除了以边为中心坐标的算子,其他的算子应该都是标准坐标(个人见解)

使用以边为中心坐标系的算子

在这里插入图片描述
如上算子是采用边为中心坐标系的算子,如果使用这些算子就行变换,将会以边为中心坐标系进行。

在这里插入图片描述
同时,模板匹配也是运行在边为中心的坐标中,输出的原点坐标是已经转换为以边为中心坐标系,可以直接使用affine_trans_contour_xld等算子进行变换而不会产生误差.
同时,如果要使用模板匹配返回的坐标生成xld.ze 则需要将边为中心的坐标转成标准坐标

Row = Row - 0.5
Column = Column - 0.5

会产生什么后果?

比如你使用area_center_xld算子求出xld重心点坐标,实际这个重心是标准坐标系下的坐标
然后你把它使用affine_trans_contour_xld进行重心点旋转,这个时候你会发现两个区域并不重合.

gen_rectangle2_contour_xld (Contours, 150.775, 607.445, rad(-0), 67.9842, 135.576)
area_center_xld (Contours, Area, Row, Column, PointOrder)

* vector_angle_to_rigid(Row,Column,0,Row,Column,rad(180),HomMat2D)
* 通过二维放射旋转(补偿成边为中心坐标系)
hom_mat2d_identity (HomMat2D)
hom_mat2d_rotate (HomMat2D, rad(45),  Row, Column, HomMat2D)
hom_mat2d_translate(HomMat2D,0.5,0.5,HomMat2D)
hom_mat2d_translate_local(HomMat2D,-0.5,-0.5,HomMat2D)
affine_trans_contour_xld (Contours, ContoursAffineTrans, HomMat2D)

* 通过二维放射旋转(不补偿成边为中心坐标系)
hom_mat2d_identity (HomMat2D1)
hom_mat2d_rotate (HomMat2D1, rad(45),  Row, Column, HomMat2D1)
affine_trans_contour_xld (Contours, ContoursAffineTrans1, HomMat2D1)
* 直接生成45°的xld
gen_rectangle2_contour_xld (Contours2, 150.775, 607.445, rad(45), 67.9842, 135.576)

通过上面代码可以明显看到未补偿的xld,与Contours2不重合.
原因就是使用了两个不同坐标系导致的,怎么解决呢?

HomMat2dTranslate(HomMat2D, 0.5, 0.5, HomMat2DTmp)
HomMat2dTranslateLocal(HomMat2DTmp, -0.5, -0.5, HomMat2DAdapted)
AffineTransContourXld(Contours, ContoursAffineTrans, HomMat2DAdapted)

如上代码所示进行补偿,经过affine_trans_contour_xld转换的坐标是边中心坐标,让其添加补偿后变为标准坐标
注意:只有当出现旋转时才会导致这种情况

affine_trans_pixel

该算子使用的是边中心坐标,只要涉及了旋转,算出的值就会导致其与标准坐标有误差

affine_trans_point_2d

该算子使用的是标准坐标,通常使用在手眼标定上
比如相机图像上的标准坐标转换为设备上的X,Y
而且根据文档所说,只要你保证所有操作都在一个坐标系上进行,那么affine_trans_point_2d实际可以运行在标准坐标和边中心坐标上的
在这里插入图片描述

Halcon学习---01仿射变换知识点 重点是仿射变换的旋转、平移、缩放,以及通过点对点的转换 阅读详情

相关推荐

HALCON算子函数——Chapter 17 : Tools

Chapter_17:Tools 17.1  2D-Transformations 1. affine_trans_pixel   功能:对像素坐标轴进行任意的仿射二维变换。 2. affine_trans_point_2d   功能:对点进行任意的最简二维变换 3. bundle_adjust_mosaic   功能:对一幅图像的嵌合体采取一系列调整。 4. hom_mat2d_

think_fast的专栏 9567

浅谈affine_trans_point_2d与affine_trans_pixel

浅谈affine_trans_point_2d与affine_trans_pixel

hopedream2008的专栏 3875

halcon旋转后坐标_HALCON高级篇:3D坐标之对偶四元数

对偶四元数单位对偶四元数,刚性3D转换,螺旋相比于单位四元数,其能够描述3D转换,一个单位对偶四元数则是相对于描述3D刚性转换的3D位姿和3D齐次转换矩阵的另一种描述。相比于12个元素的转换矩阵,具有8个元素的对偶四元数则是一个更加紧凑的描述。类似于转换矩阵,对偶四元数可以很容易的被组合去连接多个转换。还有,它们允许在2个3D刚性转换之间有一个平滑的差值和3D线的有限转换。对偶四元数的介绍一个对偶...

weixin_42443651的博客 751

9点标定源码

****************************** *创建空数组用来存放模板的中心 ImageXPix:=[] ImageYPix:=[] dev_get_window (WindowHandle) ***************************** *确定好相机移动的九个物理坐标数组 WorldX:=[5,5,5,0,0,0,-5,-5,-5] WorldY:=[-5,0,5,-5,0,5,-5,0,5] *开始标定 i:=0 **********8 open_framegrabb.

wudi18666885825的博客 2323

Halcon之HALCON 参数类

HALCON 参数类1、Iconic Objects1.1 Regions1.2 Images1.3 XLD Objects2、Control Parameters2.1 Tuples2.2 Classes Encapsulating Handles2.2.1 Windows2.2.2 Other Handle Classes3、Vectors HALCON 运算符参考包含 HALCON/C++ 的泛型类和成员函数的完整列表。 1、Iconic Objects HALCON/C++ 中标志性参数类的基类是

weixin_43488529的博客 2029

affine-trans-point-2d与affine-trans-pixel

affine-trans-point-2d与affine-trans-pixel

<Halcon> 二维变换中的两种图像坐标系

像素是离散的,为了解决它们,我们有一个仅使用整数值的坐标系,即像素坐标系。但是为了获得超出像素网格的更高精度,我们需要浮点坐标,这导致。在HALCON中,还有一种情况是,一个操作符期望它的输入在不同的坐标系中。一方面,对象被期望在它通常的坐标,标准坐标中。如果我们将图像围绕其原点旋转 (90 度),我们希望这两个图像具有接触边缘但不相互重叠。此外,缩放图像预计不会导致负图像坐标。旋转后区域位置会偏移;旋转后的区域是重合的;具有上述变换的优势。

thisiszdy的博客 4041

带隙基准电路设计实战:从HSPICE仿真到Virtuoso版图全流程解析

在模拟集成电路设计中,基准电压源是确保系统精度与稳定性的核心模块。其基本原理在于巧妙结合具有正、负温度系数的电压,通过加权求和实现近似零温度系数的稳定输出,这一特性对于高精度数据转换器、电源管理芯片等至关重要。从工程实践角度,利用HSPICE进行深入的直流工作点、温度扫描和工艺角仿真,是验证电路性能、优化温度系数和电源抑制比的关键步骤。而借助Cadence Virtuoso进行版图实现时,必须重点关注电阻与BJT的匹配布局、敏感节点的保护以及电源完整性设计,以确保设计意图在硅片上得以准确呈现。通过完整的从前

weixin_29181861的博客 289

剖析Halcon 9点标定旋转中心标定与使用

主要讲解上下双相机定位贴合的原理和实现过程,包括各种标定、组合使用及具体的halcon源码实现,适用于的X、Y、Z三轴加一旋转轴系统,如模组组成的多轴系统、Scara四轴机器、六轴机器人(在运行过程中保证几个自由度不动,运行即可) 一、标定介绍 1.标定模型A:相机固定(夹具不旋转) 夹具夹取产品或者标定块,选取一个特征,开始进行标定 X轴、Y轴移动一个位置,记录轴的物理坐标:(Qx1,Qy1) 提取图像中对应特征点,图像像素坐标:(Px1,Py1) 运动第N位置,记录下点位轴轴坐标(Q

william9987的博客 3万+

RADIOML 2018.01A数据集在自动调制识别中的实战应用指南

本文提供了RADIOML 2018.01A数据集在自动调制识别(AMR)任务中的完整实战指南。内容涵盖从数据集介绍、数据获取与解包、高效预处理流程,到构建PyTorch数据管道、模型设计(如1D CNN、ResNet)以及训练调参策略。重点阐述了如何利用该数据集训练鲁棒的AI模型,以应对复杂信道环境和低信噪比挑战,并给出了详细的性能评估方法。

plant的博客 178

Ollama模型路径迁移实战:Windows/Mac/Linux三系统保姆级教程(附常见问题排查)

本文提供了一份详细的Ollama模型路径迁移教程,涵盖Windows、macOS和Linux三大操作系统。针对默认安装路径占用系统盘空间的问题,文章指导用户如何安全移动模型文件、配置环境变量、重启服务,并附有迁移后的验证步骤与常见问题排查方法,帮助用户高效管理本地AI模型存储。

gray5的博客 545

Halcon学习(四)图像处理中的两个坐标系

写在前面: 从“矩阵都是对基的变换”这个角度去理解仿射变换,这样更为直观。 矩阵的学习应从矩阵的几何意义入手 一 参考MATLAB文档 1. Pixel Indices(matlab文档) origin in upper left corner of the image (pixel 和 image 都是这个坐标系),左上角的像素坐标为(1,1),右边的像...

好习惯成就伟大 7643

基于Unity引擎利用OpenCV和MediaPipe的面部表情和人体运动捕捉系统

增加了模型的绑定,利用Mediapipe这个强大的库可以实现识别面部表情的捕捉和人体结构运动的捕捉,基于以上的特性加入到Unity的人物模型中,实现实时的面部表情和人体运行的捕捉

BIgbossyii的博客 1万+

halcon的仿射变换总结

halcon的仿射变换算子解析

YOULANSHENGMENG的博客 3223

视觉Transformer实战 | 将卷积引入视觉Transformer(CvT)

CvT 是一种融合卷积神经网络与 Vision Transformer 优势的视觉模型,旨在解决 ViT 缺乏平移不变性和局部性等归纳偏置的问题。CvT 采用分层结构逐级降采样,使用卷积词元嵌入代替传统 patch 切分,引入卷积投影替代线性投影。这些设计使得 CvT 能够去除位置编码,在高分辨率输入下表现更优。本节深入解析 CvT 的核心原理,并提供完整的 PyTorch 代码实现,演示如何在实际数据集上训练和评估 CvT 模型。

盼小辉丶的博客 728

【git】git: ‘interpret-trailers’ is not a git command. See ‘git --help’

cents 7.6系统. yum源安装git最新版本是1.8.3 报错: git: 'interpret-trailers' is not a git command. See 'git --help'. cannot insert change-id line in .git/COMMIT_EDITMSG 解决: git add xxx git commit -m "xxx" 然后修改 vim .git/hooks/commit-msg #if test -n "${reviewurl}" ; th

machh的专栏 4761

二维变换和坐标系

操作方向转换公式标准 → 边缘中心边缘中心 → 标准。

Honsen的博客 911

SAP 物料的与压缩库存数据不一致

总结:发生这个问题的原因多数会发生在测试系统在拷贝正式系统的时候会发生这样的情况,系统在拷贝的时候,业务数据还在发生,就会导致数据拷贝的时候丢失数据。经过查询发现是由于物料分类账中的物料的库存数量和 ACDOCA_M_EXTRACT表中的数量对不上,导致系统抛出报错的信息。由于是测试系统,直接更改表的数据,把ACDOCA_M_EXTRACT表中的库存数据和金额与物料分类账中的数据保持一致。在测试系统中进行501和561增加库存的时候,系统提示物料的预压缩库存数据不一致的报错。

我小时候很黑的博客 3312

halcon读取dxf坐标翻转_Halcon中的坐标系特点及XLD的镜像转换

我们知道,Halcon中的坐标系的原点在左上角,而一般二维平面坐标系的原点在左下角。那么Halcon中坐标系和一般的二维坐标系有什么区别呢?我通过下面这个例子来分析。1 gen_image_const (Image, 'byte', 512, 512)2 dev_set_draw ('margin')34 *点15 gen_circle (Circle1, 10, 10, 3)6 disp_mes...

weixin_39627144的博客 713

SIMULINK开发项目实例 1000 例专栏之第847例--基于飞行控制与稳定性的场景实例:多旋翼无人机在风扰动下的稳定性分析

本文介绍了使用Simulink进行多旋翼无人机风扰动稳定性分析的完整流程。首先建立包含动力学模型、控制系统和环境模拟三大模块的仿真系统,其中动力学模型基于牛顿-欧拉方程,控制系统采用PID调节器。重点展示了MATLAB函数实现的风扰动模型和姿态控制算法,通过设置输入信号和输出显示模块完成闭环仿真。最后通过多次风速条件下的仿真测试评估控制系统的抗干扰能力和稳定性表现,为无人机控制系统设计提供了有效的仿真验证方法。

xiaoheshang_123的博客 322

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

halcon显示坐标_初识halcon(一)

halcon介绍HALCON是德国MVtec公司开发的一套完善的标准的机器视觉算法包,拥有应用广泛的机器视觉集成开发环境。它节约了产品成本,缩短了软件开发周期——HALCON灵活的架构便于机器视觉,医学图像和图像分析应用的快速开发。在欧洲以及日本的工业界已经是公认具有最佳效能的Machine Vision软件。入门程序打开halcon编译器如下图:我们用halcon编译器写一个读图程序:dev_c...

weixin_39648432的博客 2741

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

halcon获取图像中心点_HALCON高级篇:单个相机的尺寸测量

用单个相机在指定平面上的尺寸测量在HALCON中很容易从图像中获得在世界坐标中的非变形测量。一般情况下,如果相同的物体在同一时刻,在不同的空间位置下,用相机拍摄两个或更多的图像,才能完成这样的测量任务。这就是所谓的立体视觉方法。在工业检测中,我们通常仅仅有一个可用的相机,时间的约束不允许我们去运用在立体图像上去找对应点这样昂贵的处理(所谓的立体匹配处理)。然而,对于通过远心镜头和位于已知平面的物体...

weixin_36315722的博客 674

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

多相机坐标转换_HALCON高级篇:单个相机的尺寸测量

用单个相机在指定平面上的尺寸测量在HALCON中很容易从图像中获得在世界坐标中的非变形测量。一般情况下,如果相同的物体在同一时刻,在不同的空间位置下,用相机拍摄两个或更多的图像,才能完成这样的测量任务。这就是所谓的立体视觉方法。在工业检测中,我们通常仅仅有一个可用的相机,时间的约束不允许我们去运用在立体图像上去找对应点这样昂贵的处理(所谓的立体匹配处理)。然而,对于通过远心镜头和位于已知平面的物体...

weixin_39926678的博客 1013

HALCON标定板制作、标准文件输出方法、算子讲解

利用 Halcon软件自制标定板 关键算子: gen_caltab ( : : XNum, YNum, MarkDist, DiameterRatio, CalPlateDescr, CalPlatePSFile : ) 为具有矩形排列标记的标定板生成标定板描述文件和相应的后记文件。 该算子可以制作所需的标定板参数文件 Caltab.descr 和标定板图像文件 Caltab.ps。 参数: 输...

Leon_Chen的博客 9388
上一篇: Qt编程规范
下一篇: Qt 在线下载程序使用代理
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值