HALCON示例程序color_fuses.hdev通过颜色对保险丝进行分类

本文介绍HALCON示例程序color_fuses.hdev,通过颜色对保险丝进行分类。使用RGB到HSV空间转换,HSV的H分量进行颜色阈值分割,结合形态学运算和面积筛选,实现不同颜色保险丝的有效识别。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

HALCON示例程序color_fuses.hdev通过颜色对保险丝进行分类

示例程序源码(加注释)

  • 关于显示类函数解释
    dev_update_window (‘off’)
  • 定义字符串变量并初始化
    FuseColors := [‘Orange’,‘Red’,‘Blue’,‘Yellow’,‘Green’]
    FuseTypes := [5,10,15,20,30]
  • 在hsv的H分量重Orange阈值为 10-30, Red阈值为 0-10以此类推
    HueRanges := [10,30,0,10,125,162,30,64,96,128]
    Count := 0
    dev_close_window ()
    dev_open_window (0, 0, 800, 600, ‘black’, WH)
    while (Count <= 4)
    • 读入图片
      read_image (Image, ‘color/color_fuses_0’ + Count)
      dev_display (Image)
    • 设置光标位置,并打印字符串,也是显示类函数
      set_tposition (WH, 12, 512)
      write_string (WH, ‘color/color_fuses0’ + Count + ‘.png’)
    • 下边的两句话是将三通道彩色图片转换为HSV通道。第一步先将彩色图片分成RGB三通道图片,之后进行RGB向HSV转化。
      decompose3 (Image, Red, Green, Blue)
      trans_from_rgb (Red, Green, Blue, Hue, Saturation, Intensity, ‘hsv’)
    • 对S空间图像进行二值化操作
      threshold (Saturation, Saturated, 60, 255)
    • 使用二值化后的区域来缩小H空间内的图像定义域,通俗点的话是把保险丝抠图扣出来
      reduce_domain (Hue, Saturated, HueSaturated)
      for Fuse := 0 to |FuseTypes| - 1 by 1
      • 通过程序开始时定义的H空间分割阈值进行二值化
        threshold (HueSaturated, CurrentFuse, HueRanges[Fuse * 2], HueRanges[Fuse * 2 + 1])
      • 分割连通域
        connection (CurrentFuse, CurrentFuseConn)
      • 填充孔洞
        fill_up (CurrentFuseConn, CurrentFuseFill)
      • 通过面积筛选保险丝
        select_shape (CurrentFuseFill, CurrentFuseSel, ‘area’, ‘and’, 6000, 20000)
      • 求取区域的坐标
        area_center (CurrentFuseSel, FuseArea, Row1, Column1)
        dev_set_color (‘magenta’)
        for i := 0 to |FuseArea| - 1 by 1
        set_tposition (WH, Row1[i], Column1[i])
        write_string (WH, FuseColors[Fuse] + ’ ’ + FuseTypes[Fuse] + ’ Ampere’)
        endfor
        set_tposition (WH, 24 * (Fuse + 1), 12)
        dev_set_color (‘slate blue’)
        write_string (WH, FuseColors[Fuse] + ’ Fuses: ’ + |FuseArea|)
        endfor
        stop ()
        Count := Count + 1
        endwhile
        dev_update_window (‘on’)

处理思路

这个例子是将三通道的RGB图像转化到HSV空间进行分割的例子,使用 decompose3 、trans_from_rgb 两个算子实现RGB图像转化到HSV空间作用,使用HSV空间内区域特征更加明显的特点进行分割。

后记

大家有什么问题可以向我提问哈,我看到了第一时间回复,希望在学习的路上多多结交良师益友。

<think>好的,用户的问题是想将Halcon的detect_indent_fft.hdev示例程序转换为OpenCV C++实现,需要FFT检测的转换教程和示例代码。首先,我得回忆一下Halcon的这个示例是做什么的。根据提供的引用,这个示例使用快速傅里叶变换(FFT)来检测图像中的周期性缺陷,比如表面压痕。Halcon中的步骤可能包括图像预处理、FFT变换、频域滤波、逆变换以及缺陷分析。 接下来,我需要考虑OpenCV中对应的功能。OpenCV的FFT函数在C++中主要通过dft()函数实现,但使用时需要注意通道和复数矩阵的处理。用户提到的Halcon示例可能包含以下步骤:读取图像、转换为频域、滤波处理、逆变换回空间域,然后进行后处理分析。 首先,图像预处理部分可能需要高斯模糊来减少噪声,这在OpenCV中可以用GaussianBlur()。然后进行FFT变换,需要将图像扩展到适合的尺寸(通常是2的幂次,但OpenCV会自动处理,不过最好手动优化),转换到浮点类型,并进行频域变换。这里需要注意,Halcon的rft_generic可能生成实部虚部分开的图像,而OpenCV的dft()会生成复数矩阵,可能需要处理为双通道(实部和虚部)。 频域处理部分,Halcon示例可能创建高斯滤波器来抑制低频成分,突出缺陷。在OpenCV中需要构造类似的滤波器,可能是一个高斯带通或高通滤波器。然后将频域图像与滤波器相乘,这里涉及到复数乘法,需要注意频域的中心化(即移位后的频域,低频在中心)。 逆变换后,需要将结果转换回空间域,取绝对值并归一化,然后进行阈值处理或其他分析。例如,计算梯度或寻找最大最小值来确定缺陷位置。 还需要考虑Halcon中的优化选项,比如optimize_rft_speed,可能涉及图像补零或金字塔处理来加速FFT。在OpenCV中,可能需要手动调整图像尺寸到最优(如接近2的幂次)以提高计算效率。 此外,用户提供的引用中提到优化结果受硬件影响,所以在C++实现时要注意多线程或硬件加速选项,但OpenCV默认可能已经优化了这些部分。 现在,将这些步骤转化为代码。首先读取图像,转换为灰度,高斯模糊。然后扩展图像到最佳尺寸(可以用getOptimalDFTSize()),创建复数矩阵,进行dft。接着生成高斯带通滤波器,中心在频域中心,进行乘法。然后逆变换,处理结果,寻找缺陷区域。 可能的难点在于滤波器的构造,需要根据具体缺陷调整参数,比如高斯的标准差。此外,结果的后处理可能需要形态学操作或阈值处理来突出缺陷。 最后,测试代码时需要调整参数,比如高斯滤波器的半径,频域处理的阈值,以及后处理步骤,确保检测效果接近Halcon示例。</think>以下是将Halcon的`detect_indent_fft.hdev`转换为OpenCV C++实现的核心步骤与示例代码: --- ### 关键步骤解析 1. **图像预处理** - 高斯模糊消除高频噪声 - 转换为单通道灰度图 $$ \text{预处理公式:} I_{blur} = G_{\sigma} * I_{original} $$ (其中$G_{\sigma}$表示高斯核)[^2] 2. **频域变换** - 扩展图像至最优FFT尺寸(OpenCV自动优化) - 执行FFT并中心化低频分量 $$ \text{FFT移位公式:} F_{shift}(u,v) = (-1)^{u+v} \cdot F(u,v) $$ 3. **频域滤波** - 构建高斯带通滤波器抑制低频/高频干扰 $$ H(u,v) = e^{-\frac{D^2(u,v)}{2\sigma^2}} \quad (D为到中心的距离) $$ 4. **缺陷检测** - 逆FFT重建空间域图像 - 通过梯度计算增强缺陷特征 $$ \text{梯度幅值:} |\nabla I| = \sqrt{(\frac{\partial I}{\partial x})^2 + (\frac{\partial I}{\partial y})^2} $$ --- ### OpenCV C++ 实现代码 ```cpp #include <opencv2/opencv.hpp> cv::Mat detect_indent_fft(const cv::Mat& input) { // 1. 图像预处理 cv::Mat gray, blurred; cv::cvtColor(input, gray, cv::COLOR_BGR2GRAY); cv::GaussianBlur(gray, blurred, cv::Size(5,5), 0.8); // 2. 优化FFT尺寸 int opt_rows = cv::getOptimalDFTSize(blurred.rows); int opt_cols = cv::getOptimalDFTSize(blurred.cols); cv::Mat padded; cv::copyMakeBorder(blurred, padded, 0, opt_rows - blurred.rows, 0, opt_cols - blurred.cols, cv::BORDER_CONSTANT, cv::Scalar::all(0)); // 3. 执行FFT cv::Mat planes[] = {cv::Mat_<float>(padded), cv::Mat::zeros(padded.size(), CV_32F)}; cv::Mat complexImg; cv::merge(planes, 2, complexImg); cv::dft(complexImg, complexImg, cv::DFT_COMPLEX_OUTPUT); // 4. 构建高斯带通滤波器(示例参数) cv::Mat filter = cv::Mat::zeros(padded.size(), CV_32FC2); float D0 = 30.0f, sigma = 15.0f; cv::Point center(padded.cols/2, padded.rows/2); for(int i=0; i<padded.rows; ++i) { for(int j=0; j<padded.cols; ++j) { float D = cv::norm(cv::Point(j,i) - center); float val = exp(-(D*D - D0*D0)*(D*D - D0*D0)/(2*sigma*sigma*sigma*sigma)); filter.at<cv::Vec2f>(i,j) = cv::Vec2f(val, val); } } // 5. 频域滤波 cv::mulSpectrums(complexImg, filter, complexImg, 0); // 6. 逆FFT cv::idft(complexImg, complexImg, cv::DFT_SCALE | cv::DFT_REAL_OUTPUT); cv::Mat result; cv::split(complexImg, planes); cv::magnitude(planes[0], planes[1], result); cv::normalize(result, result, 0, 1, cv::NORM_MINMAX); // 7. 缺陷增强 cv::Mat grad_x, grad_y; cv::Sobel(result, grad_x, CV_32F, 1, 0); cv::Sobel(result, grad_y, CV_32F, 0, 1); cv::magnitude(grad_x, grad_y, result); return result; } ``` --- ### 参数调优建议 1. **高斯模糊参数**:$\sigma$值影响噪声抑制效果,建议范围0.5-1.5 2. **带通滤波器参数**: - $D_0$控制中心抑制区域半径(典型值:图像短边尺寸的5%-20%) - $\sigma$决定过渡带宽度(建议$\sigma = D_0/3$)[^2] 3. **后处理优化**:可增加形态学操作或动态阈值处理增强缺陷特征 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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