山云的专栏

在基础篇，我们提到了应用和作业的保存，那么这些都是vpp的保存格式。我们知道，在模式工具的配置中，如果我们做好了很多的调试，最后配置好参数后，也有一个保存模式的选项。我们在保存的时候，一定要添加前缀或者后缀，以免日后使用弄混淆。

本节对VP的PatMax的应用进行了参数的设定列表进行了详细的说明和讨论。

Image Training 是VP最常用的一种模板匹配方法了。必须掌握：这节详细说明。

Image Training 是VP最常用的一种模板匹配方法了。必须掌握：这节详细说明。本节内容： 【通过图像来进行匹配，其实，在业界叫做非模板匹配。当然匹配的前提是，你需要有显著的特征。 【案，上表中，我们看到，对应缩放，封闭的图像模板比非封闭的模板有更明确的匹配特征。而对应旋转，则非对称的图像比对称的图像有更显著的匹配特性。】 如果一个实施的图像，有两个坐标系或者标定支持，那么，和训练的模板比，同一张实时的被测图像，会有不同的缩放、或者角度的误差。【这是必然的，官方解释这里讲的显得有点多余】比如，在训练

机器视觉领域，尤其是工业领域，对模板匹配的定义的理解，一般就是用一个现成的模板（可以是CAD的设计文档或者自定义的模型定义模块），然后，用视觉的方法，通过拍摄实时图片的形态和原有的设计模板进行比对的方法。在VP中，Shape的模板训练方法是最接近这个定义的意义的。这一节开始，讲述模板匹配技术的应用方法和解决方案。本节介绍，Shape Training在讲述了PatMax的原理和观念之后，终于到了可以开始正在应用这个算子的时候。

Note:对已经有了，1已经训练好的模板，2一组使能的自由度，3一个待测的实时图片，PatMax 就能模板匹配的给出变化的最佳描述。对一些综合的模板，这三个输入值往往是一起影响最后的变换结果信息。例如，如果我们训练了一个圆形的模板，然后搜索一个角度自由度包括一个圆，那么将会有无限个可能的角度满足要求。这些组合的模板匹配，被官方名为：退化系统，a degenerate system的结果被叫做a degenerate result 退化结果4.2 退化系统例子。

本机继续对VP的PatMax 算子进行说明：本节讲非线性变形的模板匹配。

所谓Non-Uniform Scale，定义为单独的X缩放，或者Y缩放。这些缩放，我们做视觉的都知道，就是aspect ratio的一些定义。

而模板变换的结果通过一下两点表述：1 变换对象从训练的模板的位置变换到一个我们定义的坐标系中的位置（坐标系的定义在上一小节已经介绍）。（我们知道，在模板特征匹配的时候，我们可以从6个基本的自由度定义，选取我们关心的几个自由度，这样，在模板变换的时候，我们关心的几个自由度的值是可以同时被计算出来的。【案，自由度的设定中，我们会定义好自由度的阈值，比如每个自由度的识别的范围。【在使用形态的模板训练的时候。【模板的图像训练的坐标空间可以有三种：1 被测的图像空间 2 指定的模板原点，也可以理解为原始的。

PatMaxPatMaxPatMax和其他的模板匹配技术一样，PatMax通过在一个图像或者一个实时的运行图片中，设定一个或者多个匹配模版。PatMax的主要特点，和其他的模板匹配技术不同的地方，在于他不是通过Pixel的觉得网格来匹配（这种方法往往在准确定位和缩放的时候效率低下），还是基于【案，我认为是抽象的特征】特征的表达，这样可以很快并且准确的获取匹配的结果。【由此，可以用于旋转和缩放发生的时候，单纯的pixel的对照无法实现的匹配】PatMaxPatMax。

1 coarseand2 fineNote:[PatMax 算子是在最大粒度和最小粒度之间的一个范围内来训练特征的模板]

获取图像资源是VP(VisionPro)的QuickBuild的构建应用的第一步：他包括三个部分的主要内容：1 从一个图像文件或者目录获取图像2 从一个链接的相机获取图像3 在一个不支持的硬件中获取图像源。