3-Halcon-- gray_projections函数功能（用于计算图像行或列的灰度投影）

X-Vision

于 2025-02-17 15:39:30 发布

阅读量810

点赞数 21

分类专栏： # 《Halcon算子系列》文章标签：算法计算机视觉人工智能

本文链接：https://blog.youkuaiyun.com/weixin_45590420/article/details/145684564

版权

《Halcon算子系列》专栏收录该内容

57 篇文章

订阅专栏

Halcon中的gray_projections算子用于计算图像行或列的灰度投影，常用于检测图像中具有方向性特征（如条纹、光带等）或快速定位灰度分布异常的场合。以下是该算子的完整使用指南，包括参数解析、代码示例及典型应用场景：

1. 算子功能

输入: 1通道灰度图像（必须为 byte 或 uint2 类型）。
输出: 行或列方向的灰度累积值，存储为矩阵（Matrix对象）。
用途：
- 检测LCD屏幕坏线（垂直/水平方向）
- 条形码区域定位
- 光条截面分析
- 包装袋密封线检测

2. 算子原型

gray_projections(Image :  : Mode, Projection : MatrixID)

参数解释

参数名	类型	说明
`Image`	Input	输入图像（单通道）
`Mode`	Input	投影方向： `'row'`（行方向，统计每列的像素和） `'column'`（列方向，统计每行的像素和）
`Projection`	Input	投影类型： `'sum'`（累加和） `'min'`（最小值） `'max'`（最大值） `'mean'`（平均值）
`MatrixID`	Output	存储投影结果的矩阵句柄

3. 完整使用流程

3.1 基础代码模板

* 读取图像并转换灰度
read_image (Image, 'lcd_screen.png')
rgb1_to_gray (Image, GrayImage)

* 创建空矩阵（自动匹配行或列长度）
create_matrix (GrayImage.Height, 1, 0, MatrixID)  * 行投影时矩阵尺寸为 Height x 1

* 计算行方向的灰度投影（总和）
gray_projections (GrayImage, 'row', 'sum', MatrixID)

* 获取矩阵数据（转换为Tuple数组）
get_full_matrix (MatrixID, GrayProjectionSum)

* 释放矩阵内存
clear_matrix (MatrixID)

3.2 可调节参数技巧

优化图像预处理：
若投影区域需精确限制，可使用 reduce_domain 限定ROI，避免干扰区域：

gen_rectangle1 (ROI, 100, 200, 300, 400)
reduce_domain (GrayImage, ROI, ImageReduced)
gray_projections (ImageReduced, 'column', 'mean', MatrixID)

归一化处理：
对于不同尺寸图像的投影值比较，建议归一化到[0,1]：

* 计算行最大投影值
max_val := max(GrayProjectionSum)
normalized_proj := GrayProjectionSum / max_val

4. 高级应用案例：LCD屏幕坏线检测

4.1 场景分析

目标：检测LCD屏幕是否存在 垂直亮线/暗线（缺陷）。
投影选择：使用 列投影（'column'）的均值或总和，异常列会有明显峰值/谷值。

4.2 实现代码

dev_close_window ()
read_image (Image, 'lcd_defect.jpg')
rgb1_to_gray (Image, GrayImage)
get_image_size (GrayImage, Width, Height)

* Step 1: 计算列方向投影均值
create_matrix (1, Width, 0, MatrixColMean)
gray_projections (GrayImage, 'column', 'mean', MatrixColMean)
get_full_matrix (MatrixColMean, ColMeans)
clear_matrix (MatrixColMean)

* Step 2: 搜索异常列（标准差阈值法）
mean_val := mean(ColMeans)      * 全局均值
std_dev := deviation(ColMeans) * 标准差
threshold := mean_val - 3*std_dev  * 暗线阈值（调整系数适应实际）

* 查找低于阈值的列（暗线）
find_threshold (ColMeans, Columns, threshold, 'less')
disp_message (3600, '检测到暗线数：' + |Columns| + '处', 'window', 12, 12, 'black', 'true')

* Step 3: 可视化标注缺陷列
gen_region_line (DefectLines, [0,0], [Height-1,Columns$'], [Height-1,Columns$'])
dev_display (Image)
dev_display (DefectLines)

4.3 关键参数说明

投影模式选择: 列缺陷（'column'）、行缺陷（'row'）。
统计类型选择:
- 'sum'：累加和敏感，适合宽线检测。
- 'mean'：均值更适合均匀背景下的细线检测。

5. 数据解读与优化

5.1 投影曲线可视化

* 将投影数据绘制为曲线
gen_region_histo (CurveRegion, ColMeans, 255, 255, 1)
dev_display (Image)
dev_set_color ('red')
dev_display (CurveRegion)

5.2 投影数据滤波

去除高频噪声干扰：

* 均值滤波（窗口大小11）
smooth := smooth(ColMeans, 11, 'mean')
* 或中值滤波（抑制脉冲噪声）
smooth := median(ColMeans, 11)

5.3 性能优化

并行计算加速：对于4K以上大图，启用GPU加速：

set_system ('use_gpu', 'true')
set_system ('gpu_device', 0)

多尺度投影：检测不同粗细缺陷时，建立图像金字塔：

gen_gauss_pyramid (GrayImage, PyramidImages, 'constant', 3)
gray_projections (PyramidImages[2], 'column', 'sum', MatrixID)

6. 效果对比与参数调试

检测目标	推荐投影模式	投影统计类型	典型异常特征
垂直亮线（1像素宽）	`'column'`	`'mean'`	局部峰值（>3σ）
水平缺失密封线	`'row'`	`'min'`	连续多个行均值接近0
大面积暗块	`'row'`/`'col'`	`'sum'`	区域投影值突降