songhuangong123的博客

用于将图像中某个环形扇区区域转换为极坐标图像。Width可能并不是一个固定值，推荐你使用经验公式并结合视觉效果调试，来得到最适合你任务的设置。这张是在圆环上的原图拉伸12的效果拉伸50的效果拉伸100的效果当我写到200时，函数直接报错了！看来也无法无限往大了写。

插值算法对图像处理结果有显著影响。文章通过工业检测案例发现，即使是0度旋转，使用'constant'插值会导致检测失效，而'nearest_neighbor'能保持结果一致。文中分析了四种插值方法的差异：最近邻法保留原值适合精密检测，双线性和双三次插值更平滑但会改变像素值，常数插值可能导致边缘黑边。建议根据任务需求选择算法，敏感检测场景推荐使用最近邻插值以保证数据一致性。

计算需要排序的特征（如面积）。使用获取排序后的索引。使用select_obj和Indices+1重新排列对象。在 Halcon 的 Region 管理、特征筛选中，是不可或缺的重要函数。掌握，能够大幅提升你在复杂图像处理任务中，排序、筛选、优先级管理的灵活性和准确性。C# HTuple 操作是元素级别的，+1是批量的。Halcon Region 的 select 是从1开始的，必须 Indices + 1。排序后重新组合数据的能力，是做高质量图像分析程序的基础功！

单词 domain 翻译为：n.: 域, 域名, 领域, 领地, 版图, 领土, 地盘, 王国。我最后的做法是，显示的时候关掉，显示完了就打开！

我需要将大量零散的区域聚合到一起，所以会用到膨胀，将分散的区域粘到一起。形成一个整体之后还需要恢复到之前的大小！于是就会用到腐蚀。这样就能恢复到和之前一样的大小。但是理想很饱满，现实很意外。现在出现的情况是，膨胀时 图片右边膨胀的区域大小超出的图片的范围。所以右边其实没有膨胀的预想的那么多，所以腐蚀相同大小时，相当于右边会多腐蚀了一些。（看上图理解）如何解决这个看似误解的问题呢？

HObject这种数据结构各有三种初始化方式，下面就来总结一下。

以前遇到的问题，一直困扰着我，今天终于破案了！！！你是否也遇到过，在halcon窗口上（HSmartWindowControlWPF ），通过函数 DispObj 或者 DispCross 等显示函数显示图片或图形时，一旦数量过多就会出问题。一旦对图片进行缩放，有的图形就会消失，像是被释放掉了。

在脱离Halcon开发环境如何部署halcon程序呢？一般情况下，把 halcon.dll 和 exe 放到 同一个目录下。但是如果你的程序用到的halcon脚本引擎，仅仅这样，程序还是无法运行。runtime.exe到底干了啥？明白之后，你就可以通过自己写程序部署halcon环境了~~

在调用`find_scaled_shape_model`时，发现对于有些产品(不同的产品对于不同的模板)，`find_scaled_shape_model` 时不时报内存不够的错误。打开 *任务管理器* 可以看到，当调用`find_scaled_shape_model` 时，内存迅速上涨，可以从2G升到7G（我匹配的个数一般都在1000个以上）。当前电脑是32G。 内存大概用到的50%~60%。但是，此时对于某些产品（较大一些的产品）就很容易保内存不够的错误。我电脑内存之前时16G，还不够用，于是升到

在上一篇文章中,我讲到的如何将Bitmap转换到Image而不会失真. 但是对转换的速度还是不满意,一张258M的图片推理时间为400mm,但是转换时间已经到了1900ms. 这个不能忍啊!

halcon是传统算法的代表, 同时也拥有着深度学习的模块,之前在我的很多文章中也有着介绍. 不过在对比yoloV8之后, 发现halcon(版本 23.11)的深度学习, 全方面不如yolov8. 不管是训练速度,推理速度,异或是推理效果,yolov8都吊打halcon深度学习. 所以, 我想着结合两者的强项, 传统算法使用halcon,深度学习使用yolov8.来解决实际项目中遇到的问题. halcon可以负责预处理和后处理, yolo负责中间的推理过程! **于是,我遇到的第一个问题出现了,图片类型

之前写了一篇，确实也实现了平移和缩放。平移是对的，但是缩放其实有畸变。这个问题一直都困扰着我，知道昨天连续测试了好几个小时，直到晚上11点终于完美解决。

由于引用dll不一致导致的大坑，差点没跳出来。我们知道，halcon 有两个dll：halcondotnet和halcondotnetxl。平时用的都是halcondotnet，halcondotnetxl时为了应付大图。比如线扫相机扫出的大图。

解决方案找到一个~~~

这里，我列了一张表。全部都是和select_shape 对应的函数。

在研究halcon深度学习的时候，会发现halcon的例程里面用到了大量的二次封装库函数。这些库函数内部也是由基础的算子组成。我们在halcon的开发环境里面用的很爽，但是一旦要在C#中使用，就会报错。一开始，我想避开这个移植过程，直接使用halcon引擎(HDevEngine )的方式。其实， halcon引擎(HDevEngine ) 不提供内部显示运算符的实现，而是提供类HDevOperatorImplCpp，其中包含所有您可以自己实现的运算符的空虚拟方法。

halcon引擎用上了就上瘾了，但是有个缺点每解决，就是当你把算子封装好之后，调试时，他就成一个黑盒了。我们不可能用VS去实时调试halcon脚本代码。那有没有一种可能，当运行到这个封装好的算子的时候可以跳转到halcon软件，对这个封装好的算子进行调试呢？这个答案居然是肯定的！

XLD（eXtended Line Descriptions）：XLD其实就是指的亚像素轮廓。如何理解亚像素提到的：threshold (Image, Region, 128, 255) 这个呢，是给了一个灰度的范围，通过像素进行划分区域。像素已经是图片成像的最小单位了，下图就是将一张图片放大到看到像素的程度。这每一个方块就是一个像素，每个像素都有自己的一个灰度值。两个像素之间的灰度值是跳变的。如果进一步细分，假设像素的正中间点才是该像素的值，像素其他地方的值是渐变的方式过度到....

基于.Net6新建一个Halcon工程

目前我遇到的裁剪相关的函数都是以clip打头的函数。前面两个是对轮廓的裁剪。后面是对区域的裁剪。

模板匹配和仿射变换，经常一起使用，他们之前的位置变换一般有两种情况！

之前的【halcon】系列文章中，有介绍全局，阈值的方法，threshold。但是当我们的图片的背景光线不均匀时，我们就需要动态阈值的方式，及不同的明度区域使用不同的阈值。如：这张图就是明暗不均，我们没有办法使用全局的阈值挑选出全部的“棋子”动态阈值时根据周围的环境进行对比的，使用我们先需要做一个均值滤波：做了这个均值滤波之后得到了一个“明暗的背景”，它并不是最终的结果，而是一个动态阈值的参考对象。使用 light，表示和平均值相比offset=15，更亮的部分。使用 dark，表示和平均

什么情况下，需要将区域变换成轮廓，有啥好处？1 轮廓是基于亚像素的，能提供更佳的精度。而区域最小也是一个像素。2 轮廓可以认为是线条（其实是一些列的点），线条是一维的，而区域是二维的。一维，有自己的特征，有时我们会借助这些特征，这些特征往往在二维上体现不明显。比如：轮廓的长度，轮廓的曲度，轮廓闭合度综上所诉，我们有时需要将区域变换成轮廓！

上次在文章中讲到如何halcon去封装一个算子。这篇下篇，承接上篇讲述C#如何使用halcon引擎调用自己封装好算子。这样的好处很明显：1 不用修改C#代码，更新脚本就能改变算法。免去了一个翻译过程，代码也容易维护。2 可以利用halcon对脚本进行加密。目前发现的一个坏处：无法主动释放内存，当调用计算量很大算子，或者图片很大时，内存会飙升很快。

如果不使用halcon引擎，直接调用lines_gauss虽然内存会飙升，但是属于图片占用的内存还是会立刻被释放，但是如果在halcon引擎中，这个就会释放很慢，如果连续处理图片，你的内存就会“爆炸”！一个6M的图片通过halcon进行加载，大约会消耗200M的内存，如果等待GC回收，而你又在不停的读取图片，你的内存占用，将在短时间内飙升。目前给我的感觉是，如果我封装了一个算子，然后通过halcon引擎调用，然后这个算子需要传入图片参数，这个图片传入引擎后，过很久才会被释放掉。

所以此时我们需要一个图像增强的滤波算法，进行一个大的增强，让大家的灰度水平达到一个很高的水平，再使用hysteresis_threshold。如果mask选的太大，可能把小的瑕疵平均了就被干掉了（而且太大，会很耗时），如果mask选小了，大的就会选不到。有时一个瑕疵的灰度是很斑驳的，意思就是他的灰度值是混乱的，此时我们可以通过 'deviation’这个参数去获得灰度的混乱程度；不过他和动态阈值相比有个缺点，动态阈值不在乎光线不均匀的问题，应为他是判断一个像素和他周围的像素的平均值比。

匹配到ROI外面去了中心恰好在roi有效区域内！粉色是ROI区域。

我越来越发现，什么自动阅读器，什么手动阅读器，都不好用。 自己实现字符分割，然后直接识别才是最优解。只要我们能很好的分割出字符区域，识别就是水到渠成。

说多了容易混淆，今天就说，我觉得最有用的：外部函数文件（.hdvp)

这篇文章，由灰度直方图，引出了三个常用的用于分割的函数：threshold全局阈值分割binary_thresholddyn_threshold 动态阈值分割mean_image 均值滤波。

先通过edges_sub_pix 找到边缘轮廓，过滤掉一些直线以及短的。将剩下的圆弧轮廓进行联合（更长的圆形轮廓有助于拟合出更准确的圆）从联合后的轮廓中选出最长的，进行拟合圆