Halcon：腐蚀或开运算后region个数并未改变

  现有如下，对其进行腐蚀并统计前后region个数。

   erosion_circle 前， region 个数为 16 。 erosion_circle 后，中可看到的 region 个数为 8 ，但实际 region 个数仍为 16 。

  在 变量窗口 -> 图像变量 选择 ConnectedRegions ，右键点击 显示目录->选择 可看到腐蚀前 region 的详细信息。

  在 变量窗口 -> 图像变量 选择 RegionErosion ，右键点击 显示目录->选择 可看到腐蚀后 region 的详细信息。

  比较 region 前后变化可发现， erosion_circle 只是将 region 相应的值缩小为 0 ， region 个数并未改变。

  先使用 select_shape 筛掉面积为0或中心为(0,0)的 region ，再用 count_obj 统计 region 个数。

halcon的模板匹配可以归为三类：

1、基于灰度：灰度，互相关ncc

2、基于形状：形状，组件

3、基于描述符：描述匹配

应用场合：定位对象内部的灰度值没有大的变化，没有缺失部分，没有干扰图像和噪声的场合。

1创建模板：create_template()

2寻找模板：best_match()

3释放模板：clear_template()

应用场合：搜索对象有轻微的变形，大量的纹理，图像模糊等场合，速度快，精度低。

1创建模板：create_ncc_model()

2寻找模板：find_ncc_model()，find_ncc_models()

3释放模板：clear_ncc_model()

4get_ncc_model_region (ModelRegion, ModelID)

smallest_rectangle2 (ModelRegion, Row3, Column3, Phi, Length1, Length2)

应用场合：组件匹配是形状匹配的扩展，但不支持大小缩放匹配，一般用于多个对象（工件）定位的场合。

算法步骤：

1获取组件模型里的初始控件 gen_initial_components()

参数：

ModelImage [Input] 初始组件的

InitialComponents [Output] 初始组件的轮廓区域

ContrastLow [Input] 对比度下限

ContrastHigh [Input] 对比度上限

MinSize [Input] 初始组件的最小尺寸

Mode[Input] 自动分段的类型

GenericName [Input] 可选控制参数的名称

GenericValue [Input] 可选控制参数的值

2根据图像模型，初始组件，训练来训练组件和组件相互关系 train_model_components()

3创建组件模型 create_trained_component_model()

4寻找组件模型 find_component_model()

5释放组件模型 clear_component_model()

应用场合：定位对象内部的灰度值可以有变化，但对象轮廓一定要清晰平滑。

1创建形状模型：create_shape_model()

2寻找形状模型：find_shpae_model()

3释放形状模型：clear_shape_model()

应用场合：搜索对象有轻微的变形。

1创建模板：create_local_deformable_model()

2寻找模板：find_local_deformable_model()

3释放模板：clear_deformable_model()

应用场合：搜索对象有轻微的变形，透视的场合，根据一些描述点的位置和灰度值来进行匹配。

1创建模板：create_calib_descriptor_model()

2寻找模板：find_calib_descriptor_model()

3释放模板：clear_descriptor_model(）

可以用Halcon建立深度学习模型，并用到实际项目中。

流程大概是使用免费的 Halcon Deeplearing Label Tool制作模型后，导出成 hdl 文件，并在应用程序中用 ApplyDlClassifier 应用模型。

经过测试， ApplyDlClassifer 在第一次运行时，无论数据集有多大，执行时间在500ms左右（AMD 5800X + Nvidia P2200），能够明显感受到卡顿，而在第二次运行时，就感受不到卡顿。所以我考虑，在应用程序启动时，使用线程对模型进行预热。

预热听着高深，其实就是读取模型（ ReadDlClassifier ） 并送入一张空白图。

下面演示我的做法：

21 封装一个自己的Application类

22 我将Halcon算子封装成一个单例类，并使用 getAlgorithmGlobalData 获得这个单例对象。 slotDoModelWarmUp 是这个单例类一个槽函数。

23 在 slotDoModelWarmUp 中开多线程，对模型进行预热。

我将Halcon深度学习算子要用到的变量封装成一个 context 结构体，放在单例类中。为了节约开销，我使用引用，直接获取这个单例对象。这样，在向线程中传参数时，需要一个 std::ref 。

线程函数如下：

classifierHandle 是一个引用变量，这使得我可以直接 *** 控单例类中的数据成员，而不是使用拷贝。

经过测试，在AMD 5800X + Nvidia P2200下，推理速度达到了1166ms。

以上就是关于Halcon：腐蚀或开运算后region个数并未改变全部的内容，包括:Halcon：腐蚀或开运算后region个数并未改变、halcon模板匹配总结、性能优化——使用多线程加速Halcon深度学习算子等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！