HALCON guided_filter导向滤波算子分析

最新推荐文章于 2025-09-09 10:20:57 发布
原创 最新推荐文章于 2025-09-09 10:20:57 发布 · 2.6k 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文深入解析Guided Filter算法，探讨其在图像增强、HDR压缩、抠图及去雾等应用场景。详细介绍了参数Radius与Amplitude的作用，以及不同情况下Image与ImageGuide的关系。揭示了Guided Filter如何保留边缘细节，对均匀区域进行平滑处理，特别强调了其在迭代应用时的高效性。

1.guided_filter(Image, ImageGuide : ImageGuided : Radius, Amplitude : )可应用在图像增强，HDR压缩、图像抠图及图像去雾等场景

参数：

Radius：滤光片的大小，数值越大，滤波影响的区域越大，保留的细节越少。

 Amplitude：用来决定什么是边，什么是齐次区域。Amplitude（振幅）越大，边缘越平滑。建议振幅的值应该低于需保留边缘的对比度

当Image和ImageGuide为同一张图片，则guided_filter主要是通过带有边境的过滤器掩膜的边缘保持平滑。保留比振幅大得多的边缘像素，对均与区域的像素进行平滑处理。

当Image和ImageGuide不同时，除了ImageGuide 的边缘对比度明显大于振幅（Amplitude）的区域外，Image用带有Radius的滤波掩膜进行平滑。

如果ImageGuide是常量，则guided_filter相当于掩码大小为2*Radius+1的mean_image的连续两次调用。

可以迭代的应用guided_filter，一个迭代的结果用作下一个迭代的ImageGuided，可以从原始图像中三处小结构，即使它们有很高的对比度

Halcon图像滤波方法与原理概述
优快云博客
03-10 1万+
目录简介Halcon算子与算法原理基础滤波a、均值滤波b、中值滤波c、高斯滤波d、导向滤波 简介 图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。（摘自百度百科） Halcon算子与算法原理 基础滤波 a、均值滤波 mean_image 均值滤波是指任意一点的像素值，都是周围 N \t...
halcon 与滤波相关的算子（1）
qq_53863660的博客
03-26 2538
一共有level.edge,spot,wave,ripple,undulation,oscillation七种，两两组合，即“ll“le”“lw”“lo”“uo”uw”d等等。相比高斯滤波的权重只考虑了距离因素，双边滤波在这基础上还考虑了像素值的相似度，越相似的像素权重越大，根据与像素的距离确定权重，距离越近的像素具备越高的权重，权重的分布服从正态分布。，数值越大，影响的面积越大，平滑度越大，相当于高斯的标准差阈值。局部的重复的部分称为纹理单元，采用不同的滤波核进行纹理滤波。边缘的平滑度，值越大，越平滑。
导向滤波
todayq的专栏
07-21 3989
何凯明去雾算法中的导向滤波实现，原文地址导向滤波。 导向图像I，滤波输入图像p以及输出图像q。像素点 i 处的滤波结果是被表达成一个加权平均： 假设导向滤波器在导向图像I和滤波输出q之间是一个局部线性模型： 最小化下面的窗口Wk的代价函数： 用来确定a,b的值 其中 论文所给算法如下： matlab代码如下： [pla
基于HALCON的暗通道先验去雾算法实战项目
weixin_35815766的博客
09-09 413
图像去雾技术旨在从雾霾干扰的图像中恢复出清晰的场景内容，是计算机视觉与图像处理领域的重要研究方向。随着自动驾驶、智能监控、无人机导航等应用的快速发展，提升低能见度环境下图像质量的需求日益迫切。目前主流的去雾方法可分为三类：基于物理模型的去雾算法（如暗通道先验算法）、基于图像增强的传统方法以及基于深度学习的端到端模型。本章将系统性地介绍这些方法的基本原理、适用场景及技术演进路径，为后续深入理解暗通道先验算法及其在HALCON平台上的实现奠定理论基础。
18-Halcon机器视觉实例入门：图像滤波-各向异性滤波
视觉与物联智能
05-12 1482
图像滤波-各向异性滤波 图像各向异性滤波的原理可以参考相关资料，在这里不再论述。在Halcon中，通过算子isotropic_diffusion来实现，其原型如下： isotropic_diffusion(Image : SmoothedImage : Sigma, Iterations : ) 参数如下： Image：输入图像 SmoothImage：平滑后的图像 Sigma：高斯分布的标准偏...
12-Halcon机器视觉实例入门：图像滤波
视觉与物联智能
04-27 5478
图像滤波 1 均值滤波 mean_image算子实现均值滤波，其原型如下： mean_image(Image : ImageMean : MaskWidth, MaskHeight : ) 其中，参数Image为输入参数；ImageMean为输出参数；MaskWidth均值滤波窗口的宽度；MaskHeight为均值滤波窗口的高度； * 图像均值滤波 *读取图像 read_image(src,...
Halcon滤波算子
qq_52273284的博客
08-29 727
理解每个滤波器的基本原理（如卷积、均值、中值、高斯权重、梯度计算）比死记硬背算子名字更重要，这能让你在面对新问题时灵活选择方案。是去噪、增强边缘，还是提取特定特征？（滤波器类型，如 'sum_abs', 'thin_max_abs' 等，影响边缘的粗细和连接性10），，你可以交互式地尝试不同的滤波器和参数，实时查看效果，这对于快速筛选合适的算子非常有用。（滤波尺寸，尺寸值越大，平滑效果越明显，常用的尺寸有3,5,7,9等奇数值4）。的理想选择47，能产生比均值滤波更平滑的模糊效果，边缘过渡更自然。
扩视教育 | Halcon常用算子汇总
qq_21516871的博客
10-17 778
【代码】扩视教育 | Halcon常用算子汇总。
3、halcon图像预处理：基本变换、滤波和人脸祛斑
panjinliang066333的博客
02-28 4095
目录 1、图像灰度化 2、图像的滤波 3、图像仿射变换 4、图像的极坐标变换 5、图像的傅里叶变换 6、案例-人脸去斑 1、图像灰度化 ① 灰度变化的主要目的，是提高图像的对比度。对比度就是图像的清晰程度。包括灰度变换和直方图变换等。 灰度变换分为：灰度线性变换、灰度非线性变换、和灰度直方图变换。 ② 灰度线性变换：将图像的像素点的灰度值按照线性变换函数进行变换。g...
HALCON从入门到入门-对比三种滤波方式
linux_huangyu的博客
10-17 866
Guided Filter，即引导滤波，是一种图像滤波技术，它通过一张引导图（可以是输入图像本身或其他图像）对目标图像进行滤波处理，使得最后的输出图像在保持大体上与输入图像相似的同时，纹理部分与引导图相似。Bilateral_filter（双边滤波器）是一种非线性的滤波方法，它结合了图像的空间邻近度和像素值相似度进行折中处理，同时考虑空域信息和灰度相似性，以达到保边去噪的目的。各向异性扩散（Anisotropic Diffusion）是一种图像处理技术，旨在减少图像噪声的同时保持图像的边缘和细节。
Guided Filter算法详解
Christo的博客
03-22 359
参考1。
导向滤波原理以及解释
01-04
基于导向滤波的work论文，写的非常详细，希望能够帮助到广大科研人员
直方图均衡化，灰度拉伸，中值滤波，同态滤波程序
12-27
直方图均衡化，灰度拉伸，中值滤波，同态滤波程序
halcon_dlphay:halocon芯片缺陷检测
05-02
halcon_dlphay
比halcon 和visionpro 还要好用的机器视觉软件,
11-28
全中文文 档，易学易用,文字识别，键盘,印刷检测，线路板PCB检测软件,机器手控制
常用的图像滤波方法简介-基于HALCON视觉算法包
$firecat利白的代码足迹$
08-14 4235
来源：机器视觉算法与应用 在机器视觉中，图像滤波器无处不在。例如，它们用于减少图像噪声，改善对比度或检测边缘。本文将向您介绍MVTec HALCON中一些最常用的滤波器，它们是如何工作的以及可以用于什么。 mean_image：均值滤波器 首先，我们读取具有背景纹理的示例图像。我们的目标是在不改变实际信息的情况下删除背景纹理。让我们从一个易于理解的通用运算符开始：mean_image。 在生成的图像中，背景纹理已被很好地去除，但是很多相关信息已经丢失。那么，此滤波器如何工作？ 为了调用mean_i
Halcon Solution Guide I basics(1): Guide to Halcon Methods（Halcon解决方案）
qq_44695769的博客
11-19 324
今天来看Halcon的第一章内容，Halcon解决方案。
同态滤波
还是应该要努力的（12点前睡觉！！！！！
12-11 673
公式 H(u,v)=(γH−γL)[1−e−c[D2(u,v)/D02]]−γLH(u, v) = ({\gamma}_{H} - {\gamma}_{L})[1 - e^{-c[D^{2}(u, v)/D^{2}_{0}]}] -{\gamma}_{L} H(u,v)=(γH​−γL​)[1−e−c[D2(u,v)/D02​]]−γL​ 其中，γH{\gamma}_{H}γH​的值为，γL{\g...
HALCON算子函数——Chapter 5 : Filter
think_fast的专栏
11-25 6809
Chapter_5:Filter 5.1  Arithmetic 1. abs_image   功能：计算一个图像的绝对值（模数）。 2. add_image   功能：使两个图像相加。 3. div_image   功能：使两个图像相除。 4. invert_image   功能：使一个图像反像。 5. max_image   功能：按像素计算两个图像的最大值。 6. m
halcon apply_dl_model算子
最新发布
10-24
<think>我们刚刚讨论的是Halcon的`preprocess_dl_samples`算子，现在用户转而询问`apply_dl_model`算子。注意用户引用了[^1]，但这个引用是关于`apply_dl_model`的示例，并非用户真实需求。用户明确要求了解`apply_dl_model`算子的介绍及使用方法。 根据Halcon文档，`apply_dl_model`是用于执行深度学习模型推理的核心算子，它将预处理后的数据输入训练好的模型，并返回推理结果。该算子支持多种任务：分类、目标检测、语义分割等。 关键点： 1. 算子功能：执行深度学习模型推理 2. 输入参数：预处理样本(DLSamples)、模型句柄(DLModelHandle)、任务类型(如'classification')、输出参数(Result) 3. 输出结果：根据任务类型返回不同结构的数据(分类结果/检测框/分割图) 需要详细说明： - 如何准备输入数据（必须经过与训练相同的预处理） - 不同任务下的输出格式 - 常见错误处理（如模型与输入不匹配） 同时，要关联之前提到的`preprocess_dl_samples`，因为预处理是推理的必要步骤。最后生成相关问题要围绕模型推理的扩展应用。 注意：用户上次问题末尾有4个相关问题，但这次是新问题，需要重新生成相关问题。 </think>### Halcon `apply_dl_model` 算子详解 `apply_dl_model` 是 Halcon 深度学习中用于**执行模型推理**的核心算子，它将预处理后的数据输入训练好的深度学习模型，并返回预测结果。以下是完整说明： --- #### 一、核心功能 1. **模型推理** - 执行前向传播计算 - 生成预测结果（分类概率/检测框/分割掩码） - 支持批处理（batch processing） 2. **多任务支持** - 图像分类（`'classification'`） - 目标检测（`'object_detection'`） - 语义分割（`'semantic_segmentation'`） - 实例分割（`'instance_segmentation'`）[^1] --- #### 二、参数说明 | 参数 | 类型 | 说明 | |------|------|------| | `DLSamples` | 输入 | 预处理后的样本（`DLSample`元组） | | `DLModelHandle` | 输入 | 已加载的模型句柄 | | `Outputs` | 输入 | 指定输出的推理结果类型 | | `DLResult` | 输出 | 推理结果字典 | --- #### 三、完整工作流程 ```halcon * 1. 加载模型 read_dl_model ('resnet50.hdl', DLModelHandle) * 2. 预处理样本 preprocess_dl_samples (RawSamples, PreprocessParam, PreprocessedSamples) * 3. 执行推理 * 分类任务示例 apply_dl_model (PreprocessedSamples, DLModelHandle, ['classification'], DLResult) * 4. 解析结果 * 获取分类置信度 get_dict_tuple (DLResult, 'classification_confidences', Confidences) * 获取预测类别 get_dict_tuple (DLResult, 'classification_class_ids', ClassIDs) ``` --- #### 四、不同任务的输出解析 1. **分类任务** ```halcon apply_dl_model (Samples, ModelHandle, ['classification'], Result) get_dict_tuple (Result, 'classification_class_ids', ClassIDs) // 预测类别ID get_dict_tuple (Result, 'classification_confidences', Confs) // 置信度 $[0,1]$ ``` 2. **目标检测** ```halcon apply_dl_model (Samples, ModelHandle, ['bbox_confidence'], Result) get_dict_tuple (Result, 'bbox_confidence', BboxConfs) // 边界框置信度 get_dict_tuple (Result, 'bbox_class_id', ClassIDs) // 类别ID get_dict_tuple (Result, 'bbox_row', Rows) // 框中心行坐标 ``` 3. **语义分割** ```halcon apply_dl_model (Samples, ModelHandle, ['segmentation'], Result) get_dict_tuple (Result, 'segmentation', SegImage) // 分割结果图 ``` --- #### 五、关键注意事项 1. **输入一致性** 输入数据必须与模型训练时的预处理完全一致： ```halcon get_dl_model_param (DLModelHandle, 'image_dimensions', ModelDims) // 验证尺寸 ``` 2. **GPU加速** 启用GPU加速可提升推理速度： ```halcon set_system ('cuda_visible_devices', '0') // 指定GPU设备 ``` 3. **批处理优化** 批量处理提升效率（典型批大小8-32）： ```halcon * 创建批次 gen_dl_model_batch (PreprocessedSamples, BatchSize, BatchSamples) apply_dl_model (BatchSamples, ...) ``` 4. **结果后处理** 目标检测需过滤低置信结果： ```halcon threshold (BboxConfs, HighConfBboxes, 0.7, 1) // 置信度阈值 $>0.7$[^2] ``` --- #### 六、错误排查 1. **输入尺寸不匹配** ```halcon Error 8601: Input image dimensions do not match model requirements ``` 解决方案：检查预处理参数中的 `image_width` 和 `image_height` 2. **输出层未定义** ```halcon Error 8602: Requested output layer 'segmentation' not found ``` 解决方案：验证模型结构 ```halcon get_dl_model_layer_names (DLModelHandle, 'output', OutputLayers) ``` > **性能提示**：使用异步推理（`set_dl_model_param(DLModelHandle, 'async', 'true')`）可提升实时应用吞吐量[^3]。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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

打赏作者

乌里随记

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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