MM_MS的博客

本文介绍了Halcon中测量模型的应用方法，主要包括：1）通过测量模型查找直线和圆的基本流程，包括创建模型句柄、设置参数、获取测量点等操作；2）模板匹配与测量模型结合应用，实现直线间距测量；3）详细说明了各函数的使用方法，如create_metrology_model()、add_metrology_object_generic()等。文章还演示了如何通过仿射变换对齐测量模型，以及计算两条直线间最小距离的实现过程。这些方法为图像测量任务提供了完整的解决方案。

本文介绍了使用Halcon进行一维条形码和字符识别的实现方法。主要内容包括：1）创建和配置条形码识别模型，设置参数并识别图像中的条形码；2）通过模板匹配定位字符区域，使用MLP分类器进行OCR识别；3）展示了完整的处理流程，包括图像读取、区域提取、识别结果显示等步骤。文中提供了详细的代码示例，涵盖条形码识别参数设置、字符模板匹配、仿射变换等关键技术点，适用于工业检测等应用场景。

本文介绍了使用Halcon进行一维条形码和字符识别的实现方法。主要内容包括：1）创建和配置条形码识别模型，设置参数并识别图像中的条形码；2）通过模板匹配定位字符区域，使用MLP分类器进行OCR识别；3）展示了完整的处理流程，包括图像读取、区域提取、识别结果显示等步骤。文中提供了详细的代码示例，涵盖条形码识别参数设置、字符模板匹配、仿射变换等关键技术点，适用于工业检测等应用场景。

本文介绍了使用Halcon进行二维几何测量的方法。首先通过模板匹配定位目标区域，然后创建二维测量模型，添加圆形测量对象参数。通过apply_metrology_model执行测量，获取圆心坐标后使用distance_pp计算两点间距离。同时演示了螺丝螺母匹配检测的实现过程，包括创建多个形状模板、执行模板匹配和显示匹配结果。文中详细说明了关键步骤的Halcon算子使用，如create_shape_model、find_shape_models等，并提供了完整的测量流程和匹配检测方案。

本文介绍了两种基于Halcon的图像处理案例：玻璃瓶数量检测和筛子点数统计。对于玻璃瓶检测，通过图像增强、阈值分割、连通域分析和形状筛选等步骤，分别统计开口瓶和闭口瓶数量并汇总。筛子点数检测则采用阈值分割和面积筛选来识别骰子点数。两种方法都实现了自动计数功能，并展示了处理效果。文章提供了完整的代码实现流程，包括图像读取、预处理、特征提取和结果显示等关键步骤，为工业视觉检测提供了实用参考方案。

原图在Halcon自带的图片文件夹中,图片名称是die_pads。原图在Halcon自带的图片文件夹中,图片名称是'clip'

摘要：本文演示了使用Halcon提取车牌数字的代码实现。首先读取"audi2"图片，通过阈值分割(20-80)和连通器分析处理图像，然后筛选面积在900-1500、高度在60-70之间的区域。该代码简洁高效地实现了车牌数字提取功能，适用于图像处理初学者参考学习。

本文摘要介绍了Halcon图像处理中条形码、二维码和OCR字符识别的实现方法。一维码部分详细说明了创建模型、参数设置、识别和结果获取的全流程；二维码识别兼容多种格式（D码、QR码、PDF417码），采用分级查找策略；OCR字符识别包含预处理、区域分割、排序和分类识别等步骤，支持单字符和多字符识别模式。文中还强调了工程实践中资源释放的重要性，并提供了调试技巧。

本文介绍了Halcon中通用形状模板匹配的实现方法。首先通过创建模板、设置参数和训练模板建立匹配模型，然后使用仿射变换将模板轮廓与目标图像对齐。在测试阶段，通过遍历图像集查找匹配结果，获取每个匹配目标的轮廓、坐标、角度和得分等数据。文章详细展示了从模板创建到匹配结果展示的完整流程，包括图像处理、区域裁剪、参数设置和结果可视化等关键步骤，为基于形状的模板匹配应用提供了实用参考。

摘要：本文介绍了相机标定和图像处理的关键操作流程。首先使用gen_caltab()生成7x7规格的标定板（间距0.0125米），然后通过image_points_to_world_plane()实现像素坐标到物理坐标的转换。详细说明了相机内参数（包括焦距、畸变系数等）和外参数（位姿关系）的设置方法，并演示了实际测量流程：从图像读取、blob分析到坐标转换和距离计算。最后介绍了棋盘格生成(gen_checker_region)和区域转图像(region_to_bin)的方法。这些操作构成了完整的视觉标定和测量

摘要：本文介绍了图像处理中的点运算与灰度直方图分析方法。主要内容包括：1）灰度直方图的特性与获取方式，包括统计关系、映射关系和可叠加性；2）常用图像处理算子，如直方图阈值分割(histo_to_thresh)、灰度变换(scale_image)、非线性变换(log_image/pow_image)等；3）图像运算方法，包括加减乘除(add_image/sub_image等)和通道处理(rgb3_to_gray)；4）直方图均衡化(equ_histo_image)和图像锐化(sobel_amp)等增强技术。通

本文介绍了基于Halcon的两种模板匹配方法：灰度值模板匹配和形状模板匹配。灰度值匹配通过create_ncc_model创建模板，使用find_ncc_model进行匹配，并通过仿射变换实现精确定位；形状匹配则采用create_scaled_shape_model创建可缩放模板，通过find_scaled_shape_model实现带缩放和旋转的匹配。两种方法都详细说明了从图像获取、ROI设置、模板创建到匹配定位的全流程，并展示了多种结果显示方式，包括仿射变换和轮廓显示。文章还提供了代码实现细节，对Hal

本文介绍了Halcon中的多模板匹配与NCC模板匹配方法。在多模板匹配中，通过绘制圆形ROI区域、创建形状模板、获取轮廓并执行仿射变换等步骤实现多个模板的匹配检测。测试阶段使用find_shape_models函数查找多个模板，并显示匹配结果。NCC模板匹配部分则包含创建模板、导出/加载模板文件、查找匹配和显示结果等操作流程。两种方法都提供了完整的图像处理步骤，包括区域设置、参数调整和结果展示等关键技术环节，可用于工业视觉检测中的目标定位与识别任务。

摘要：本文介绍了两种编程方法实现图形绘制：1) 斜式楼梯绘制：方法一通过多边形填充创建三角形区域；方法二通过图像灰度值设置生成白色阶梯图案。2) 正方形绘制：方法一使用矩形生成函数配合定时器；方法二同样采用灰度值设置实现全白图像。两种方法均包含窗口初始化、颜色设置等基础操作步骤，并提供了完整代码示例和效果演示。

本文介绍了使用Halcon进行胶囊瑕疵检测的算法流程。通过图像处理技术检测胶囊包装中的错放和漏放问题，主要步骤包括：图像获取与预处理（灰度转换、反转）、阈值分割、形态学处理（开运算、膨胀、腐蚀）、区域筛选和连通性分析。算法能够自动统计错放和漏放胶囊数量，并判断产品是否合格（OK/NG）。完整代码实现了从图像读取到结果显示的自动化检测流程，通过不同颜色标识缺陷类型，为工业质检提供了实用的解决方案。

本文介绍了使用Halcon进行图像处理的两个案例：土豆个数检测和木头个数检测。通过read_image()获取图像后，采用阈值分割、腐蚀膨胀等形态学处理方法，再经过连通区域分析和形状筛选，最终使用count_obj()统计目标数量并显示结果。土豆检测案例处理了pellets图片，木头检测案例则对wood.jpg进行灰度转换后处理。两个案例都展示了完整的处理流程，包括图像预处理、区域分割、形态学操作、特征筛选和结果展示，为物体计数提供了实用的Halcon实现方案。

本文介绍了两种使用Halcon进行金属模板圆形测量的方法。方法一通过绘制仿射矩形检测区域，进行阈值分割、形态学处理和椭圆参数测量；方法二采用矩形检测区域，通过面积计算获得直径。两种方法均包含图像预处理、区域筛选、参数计算和结果显示等步骤，实现了对金属模板中圆形特征的自动检测和尺寸测量。文中提供了详细的代码实现和操作流程，可作为工业视觉检测的参考方案。

本文介绍了使用Halcon进行网格顶点检测的代码实现。通过均值滤波预处理图像，使用动态阈值分割提取网格线区域，再通过形态学开运算分离垂直线和水平线。最后求取两线交集得到网格顶点，并通过连通性分析完成检测。代码包含图像读取、平滑处理、阈值分割、形态学操作和区域处理等关键步骤，实现了从原始图像到网格顶点的完整提取流程。

本文介绍了一个基于Halcon的电路板缺陷检测程序实现方法。代码通过阈值分割、形态学处理（膨胀、腐蚀）和区域差集运算等图像处理技术，检测电路板中的缺陷区域。主要步骤包括：读取图像、设置显示参数、阈值分割获取区域、进行膨胀和腐蚀处理以增强特征，最后通过区域差集运算突出缺陷部分。程序还包含窗口清理、图像显示等辅助功能，最终可直观展示检测结果。该方案为电路板质量检测提供了有效的自动化解决方案。

本文系统介绍了五种图像滤波方法及其应用场景：1）均值滤波通过邻域平均消除高斯噪声，但会模糊边缘；2）中值滤波通过取邻域中值有效去除椒盐噪声；3）高斯滤波利用二维高斯函数核，特别适用于高斯噪声消除；4）高通滤波通过频域转换保留高频信号实现边缘增强；5）标准差滤波通过计算邻域灰度标准差突出变化区域。每种方法都详细说明了算法原理、参数设置和实现步骤，并分析了各自的优缺点，为图像预处理中的噪声抑制和特征保留提供了完整的技术方案。

Halcon彩图阈值分割、腐蚀和膨胀、顶帽和底帽处理、求图像边界轮廓

【代码】Halcon图像采集助手、ROI操作和画图、ROI实现区域与轮廓之间的相互转换、区域的交集差集取反。

原图在Halcon自带的图片文件夹中,图片名称是progres。

【代码】Halcon小案例---＞三角形缺陷检测(两种方法)

原图在Halcon自带的图片文件夹中,图片名称是particle。

原图在Halcon自带的图片文件夹中,图片名称是'clip'

Halcon的基础控制类型共5种：string(字符串)、integer(整数)、real(实数/小数)、tuple(元组)、handle(句柄)2. 类型兼容：整数可以自动转为实数，反之需要强制转换（tuple_real()）1. 弱类型语言：Halcon无需声明变量类型，赋值即定义，自动识别类型。3. 元组万能：所有变量都是元组，元组可以嵌套元组，支持所有运算/操作。

【代码】Halcon图像锐化和图像增强、窗口的相关算子。

【代码】Halcon控制语句。

【代码】Halcon基础知识点及其算子用法。