Halcon機器視覺算法原理與編程實戰(zhàn)

第 1章　機器視覺概述 002
1.1什么是機器視覺 003
1.2機器視覺與計算機視覺的區(qū)別 003
1.3機器視覺的工作原理 005
1.4機器視覺的應用領域 006
第 2章　如何做機器視覺項目 008
2.1項目的前期準備 009
2.1.1從 5個方面初步分析客戶需求 009
2.1.2方案評估與驗證 009
2.1.3簽訂合同 010
2.2項目規(guī)劃 011
2.2.1定義客戶的詳細需求 011
2.2.2制訂項目管理計劃 011
2.2.3方案評審 012
2.3詳細設計 012
2.3.1硬件設備的選擇與環(huán)境搭建 012
2.3.2軟件開發(fā)平臺與開發(fā)工具的選擇 013
2.3.3機器視覺系統(tǒng)的整體框架與開發(fā)流程 013
2.3.4交互界面設計 014
2.3.5 Halcon與開發(fā)工具 014
2.4項目交付 015
2.4.1軟件功能測試 015
2.4.2現(xiàn)場調試 015
2.4.3系統(tǒng)維護 016
第 3章　硬件環(huán)境搭建 017
3.1相機 018
3.1.1相機的主要參數(shù) 018
3.1.2相機的種類 019
3.1.3相機的接口 020
3.1.4相機的選型 020
3.2圖像采集卡 022
3.2.1圖像采集卡的種類 022
3.2.2圖像采集卡的選型 023
3.3鏡頭 023
3.4光源 024
3.5實例：硬件選型 025
第 4章　軟件圖像采集 026
4.1獲取非實時圖像 027
4.1.1讀取圖像文件 027
4.1.2讀取視頻文件 028
4.2獲取實時圖像 030
4.2.1 Halcon的圖像采集步驟 030
4.2.2 使用 Halcon接口連接相機 030
4.2.3 使用相機的 SDK采集圖像 033
4.2.4外部觸發(fā)采集圖像 033
4.3 多相機采集圖像 034
4.4 Halcon圖像的基本結構 035
4.5 實例：采集 Halcon圖像并進行簡單處理036
第 5章　圖像預處理 040
5.1圖像的變換與校正 041
5.1.1二維圖像的平移、旋轉和縮放 041
5.1.2圖像的仿射變換 042
5.1.3投影變換 042
5.1.4實例：透視形變圖像校正 043
5.2 感興趣區(qū)域（ROI）045
5.2.1 ROI的意義 045
5.2.2創(chuàng)建 ROI045
5.3 圖像增強046
5.3.1直方圖均衡 046
5.3.2增強對比度 ·048
5.3.3處理失焦圖像 049
5.4 圖像平滑與去噪 049
5.4.1均值濾波 049
5.4.2中值濾波 050
5.4.3高斯濾波 051
5.5 光照不均勻 052
第 6章　圖像分割 054
6.1閾值處理 055
6.1.1全局閾值 055
6.1.2基于直方圖的自動閾值分割方法 056
6.1.3自動全局閾值分割方法 057
6.1.4局部閾值分割方法 058
6.1.5其他閾值分割方法 060
6.2 區(qū)域生長法062
6.2.1 regiongrowing算子062
6.2.2 regiongrowing_mean算子064
6.3 分水嶺算法065
第 7章　顏色與紋理067
7.1圖像的顏色068
7.1.1圖像的色彩空間068
7.1.2 Bayer圖像069
7.1.3顏色空間的轉換070
7.2 顏色通道的處理 070
7.2.1圖像的通道 071
7.2.2訪問通道 071
7.2.3通道分離與合并 071
7.2.4處理 RGB信息 073
7.3實例：利用顏色信息提取背景相似的字符區(qū)域 074
7.4 紋理分析 075
7.4.1紋理濾波器 075
7.4.2實例：織物折痕檢測 076
第 8章　圖像的形態(tài)學處理 077
8.1腐蝕與膨脹 078
8.1.1結構元素 078
8.1.2腐蝕 078
8.1.3膨脹 080
8.2開運算與閉運算 082
8.2.1開運算 082
8.2.2閉運算 084
8.3頂帽運算與底帽運算 085
8.3.1頂帽運算 086
8.3.2底帽運算 086
8.3.3頂帽運算與底帽運算的應用 087
8.4灰度圖像的形態(tài)學運算 089
8.4.1灰度圖像與區(qū)域的區(qū)別 089
8.4.2灰度圖像的形態(tài)學運算效果及常用算子 089
8.5實例：粘連木材圖像的目標分割與計數(shù) 091
第 9章　特征提取 095
9.1區(qū)域形狀特征 096
9.1.1區(qū)域的面積和中心點 096
9.1.2封閉區(qū)域（孔洞）的面積 097
9.1.3根據(jù)特征值選擇區(qū)域 098
9.1.4根據(jù)特征值創(chuàng)建區(qū)域 100
9.2基于灰度值的特征 103
9.2.1區(qū)域的灰度特征值 103
9.2.2區(qū)域的最大、最小灰度值 105
9.2.3灰度的平均值和偏差 106
9.2.4灰度區(qū)域的面積和中心 107
9.2.5根據(jù)灰度特征值選擇區(qū)域 107
9.3基于圖像紋理的特征 109
9.3.1灰度共生矩陣 109
9.3.2創(chuàng)建灰度共生矩陣 110
9.3.3用共生矩陣計算灰度值特征 111
9.3.4計算共生矩陣并導出其灰度值特征 111
9.3.5實例：提取圖像的紋理特征 112
第10 章　邊緣檢測 115
10.1像素級邊緣提取 116
10.1.1經典的邊緣檢測算子 116
10.1.2邊緣檢測的一般流程 117
10.1.3 sobel_amp算子 117
10.1.4 edges_image算子 120
10.1.5其他濾波器 122
10.2亞像素級邊緣提取 124
10.2.1 edges_sub_pix算子 125
10.2.2 edges_color_sub_pix算子 126
10.2.3 lines_gauss算子 127
10.3輪廓處理 129
10.3.1輪廓的生成 130
10.3.2輪廓的處理 130
第11 章　模板匹配134
11.1模板匹配的種類 135
11.1.1基于灰度值的模板匹配 135
11.1.2基于相關性的模板匹配 136
11.1.3基于形狀的模板匹配 136
11.1.4基于組件的模板匹配 137
11.1.5基于形變的模板匹配 138
11.1.6基于描述符的模板匹配 138
11.1.7基于點的模板匹配 139
11.1.8模板匹配方法總結 139
11.2圖像金字塔 140
11.3模板圖像 142
11.3.1從參考圖像的特定區(qū)域中創(chuàng)建模板 ·142
11.3.2使用 XLD輪廓創(chuàng)建模板 143
11.4模板匹配的步驟 143
11.4.1基于灰度值的模板匹配 143
11.4.2基于相關性的模板匹配 145
11.4.3基于形狀的模板匹配 147
11.4.4基于組件的模板匹配 149
11.4.5基于局部形變的模板匹配 150
11.4.6基于透視形變的模板匹配 152
11.4.7基于描述符的模板匹配 153
11.4.8優(yōu)化匹配速度 155
11.4.9使用 Halcon匹配助手進行匹配 156
11.5實例：指定區(qū)域的形狀匹配 159
第12 章　圖像分類 163
12.1分類器 164
12.1.1分類的基礎知識 164
12.1.2 MLP分類器 166
12.1.3 SVM分類器 166
12.1.4 GMM分類器 166
12.1.5 k-NN分類器 167
12.1.6選擇合適的分類器 167
12.1.7選擇合適的特征 168
12.1.8選擇合適的訓練樣本 168
12.2特征的分類 169
12.2.1一般步驟 169
12.2.2 MLP分類器 170
12.2.3 SVM分類器 176
12.2.4 GMM分類器 176
12.2.5 k-NN分類器 177
12.3光學字符識別 178
12.3.1一般步驟 179
12.3.2 OCR實例 179