十多年IT经验,专注机器视觉,智能制造半导体行业

创新性的单图像建模：与传统差分模型需要多张OK图像不同，此方法仅使用一张参考图像，通过边缘膨胀和图像缩放技术人工构造变异图像，模拟正常生产中的变化。精确的图像对齐：使用形状匹配技术确保测试图像与参考图像精确对齐，这是差分比较的前提。灵活的缺陷检测：通过面积筛选可以灵活调整检测灵敏度，只关注有实际意义的缺陷区域。直观的结果展示：使用不同颜色高亮显示缺陷区域和参考边缘，并提供明确的OK/NG提示。这种方法特别适用于样本稀少但需要高精度检测的场景，如高价值产品的印刷质量检查。传统差分模型方法。

一、什么是动态阈值？为什么需要它？1. 传统全局阈值的局限性2. 动态阈值的核心思想二、Halcon 中的核心算子：`dyn_threshold`1. 算子原型2. 参数详解三、工作原理（数学模型）四、详细使用步骤与实例五、关键参数选择与技巧六、与其他算子的对比七、dyn_threshold示例代码原理与过程详解1. 问题定义2. 解决方案：动态阈值 (dyn_threshold)3. 后处理 (Post-processing)总结八、总结与流程动态阈值是机器视觉中处理光照不均、背景复杂等情况的强大工具。

Reduce是减少的意思。并不是真的去裁剪图像，而是定义一个“感兴趣的区域（Region of Interest, ROI）”。后续的图像处理算子将只在这个定义的区域内有效，区域外的像素将被忽略。在一张白纸（完整图像）上放一张镂空的纸板（Domain）。我们后续的绘画（图像处理操作）只会透过镂空的部分影响到下面的白纸。镂空纸板之外的部分保持不变，也不会被处理。关键步骤：使用ReduceDomain，将图像的域限制为ROI区域,图像在原来图像基础上存在图像区域。

该Halcon示例演示了如何使用计量模型（metrology model）在复杂条件下高精度测量图像中的圆和矩形。

创建模板 create_shape_model模板匹配 find_shape_model。

【代码】小白学习Halcon100例:如何利用动态阈值分割图像进行PCB印刷缺陷检测?

1、极坐标系（polar coordinates）是指在平面内由极点、极轴和极径组成的坐标系。在平面上取定一点O，称为极点。从O出发引一条射线Ox，称为极轴。再取定一个单位长度，通常规定角度取逆时针方向为正。这样，平面上任一点P的位置就可以用线段OP的长度ρ以及从Ox到OP的角度θ来确定，有序数对（ρ，θ）就称为P点的极坐标，记为P（ρ，θ）；ρ称为P点的极径，θ称为P点的极角。

Chapter_1_:Classification1.1 Gaussian-Mixture-Models1.add_sample_class_gmm功能：把一个训练样本添加到一个高斯混合模型的训练数据上。2.classify_class_gmm功能：通过一个高斯混合模型来计算一个特征向量的类。clear_all_class_gmm功能：清除所有高斯混合模型。clear_class_gmm功能：清除一个高斯混合模型。clear_samples_class_gmm功能：清除一

注：affine_trans_point_2d与affine_trans_pixel的区别：affine_trans_pixel使用的图像坐标系的原点在图像的左上角，affine_trans_point_2d使用标准图像坐标系，原点在左上角像素的中心。要获取变换矩阵，必须先获取特征点坐标、角度等信息，几何匹配和bolb是获取特征点的高效方法，除此之外还有其它方法，只要能稳定的求出特征点即可。仿射变换有：平移、旋转、缩放、斜切（就是将斜体字导正）。功能：产生仿射变换矩阵（产生一个空的二维空变换矩阵）.....

设置绘制模式为绘制边缘。*分解彩色图片为三通道。