一、例程簡介

該例程比較有代表性，屬于Halcon里的分類方法之一，直接調用Halcon封裝好的GMM分類器（高斯混合模型）對橘子和檸檬進行分類。GMM屬于概率分類方法，屬于P(Y|X)，通過對樣本的概率密度分布進行估計，然后對模型進行加權求和，并通過投影，最后選取概率最大的類所為判決結果，這種分類方法只在不同檢測類之間有明顯的區別（在兩類物體圓度和面積有較大區別）的情況下適用。 具體原理可以詳見有位大佬的解釋說明，鏈接如下： [原理]https://blog.csdn.net/weixin_42555080 后面我也會針對機器學習的相關方法進行分享，求點贊評論哦。

二、代碼詳解（對每一步進行注釋）

第一篇注釋下，后面再寫就只注釋關鍵部分了。

*讀取圖片 read_image (Image, 'color/citrus_fruits_01') *返回輸入圖像對象Image的第一個通道的Pointer（指示器）。另外，這個算子也返回圖像類型和圖像的大小（width和height）。 get_image_pointer1 (Image, Pointer, Type, Width, Height) dev_close_window () dev_open_window (0, 0, Width, Height, 'white', WindowHandle) *用來設置當前窗口的字體屬性，參數意思為字體大小為12，字體類型為“Courier New字體”，粗體，不傾斜。 set_display_font (WindowHandle, 12, 'mono', 'true', 'false') * 定義region的填充模式， 如果參數DrawMode設置為'fill'，region顯示為填充，如果設置為'margin'，則只顯示輪廓。 dev_set_draw ('margin') *設置線寬 dev_set_line_width (2) *顯示圖片 dev_display (Image) *其實以下幾句可以寫為一句dev_update_off () dev_update_window ('off') dev_update_pc ('off') dev_update_var ('off') * 為特征量（區域的面積，圓度，和分類名）賦值 FeaturesArea := [] FeaturesCircularity := [] ClassName := ['orange','lemon']* 創建GMM分類器（特征數量，樣本分類個數，類中心的個數，協方差矩陣的形式，預處理的形式，轉換特征數，隨機種子初始化GMM，GMM句柄） create_class_gmm (2, 2, 1, 'spherical', 'normalization', 10, 42, GMMHandle) * * 添加訓練樣本 for I := 1 to 4 by 1read_image (Image, 'color/citrus_fruits_' + I$'.2d')dev_display (Image)* 自定義函數，將圖片進行預處理，得到區域特征。get_regions (Image, SelectedRegions)*將彩色圖片分離為三個單通道圖片(decompose3 (Image, ImageRed, ImageGreen, ImageBlue)*用于區域對象的顏色設為白dev_set_color ('white')*對單通道圖片進行閾值處理，得到灰度值在50-255區間的圖片threshold (ImageRed, Region, 50, 255)*將區域進行填充fill_up (Region, RegionFillUp)*用來計算輸入區域中的所有連通域connection (RegionFillUp, ConnectedRegions)*根據形狀特征（這里是面積）對區域進行篩選，對于大于50小于999999的形狀保留。select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 50, 999999)return ())dev_display (SelectedRegions)*計算區域數量count_obj (SelectedRegions, NumberObjects)*對三個目標進行遍歷，獲取特征for J := 1 to NumberObjects by 1*從一個對象元組中選擇一個區域，區域的排序索引應該是根據上面計算連通域的時候完成的。select_obj (SelectedRegions, ObjectSelected, J)*自定義函數，分別對圓度和面積進行計算，并返回區域中心點的坐標值。get_features (ObjectSelected, WindowHandle, Circularity, Area, RowRegionCenter, ColumnRegionCenter)（circularity (ObjectSelected, Circularity)area_center (ObjectSelected, Area, Row, Column)dev_set_color ('white')return ()）* 對變量賦值FeaturesArea := [FeaturesArea,Area]FeaturesCircularity := [FeaturesCircularity,Circularity]*將元組的數值轉換為浮點型FeatureVector := real([Circularity,Area])*該方法已提前將樣本分為兩類，每類數量已提前設定好，橘子和檸檬各兩張圖片if (I <= 2)*將訓練樣本添加到訓練數據中（GMM句柄，特征向量，類別ID為0，不添加高斯噪聲）add_sample_class_gmm (GMMHandle, FeatureVector, 0, 0)*此過程在圖形窗口“窗口句柄”中的位置（Row,Column）顯示文本。（文本顯示Add to Class加類名，行坐標，列坐標，黑色，box參數為ture,表示文本顯示在橙色框中）disp_message (WindowHandle, 'Add to Class:' + ClassName[0], 'window', RowRegionCenter, ColumnRegionCenter - 100, 'black', 'true')else*ID為1add_sample_class_gmm (GMMHandle, FeatureVector, 1, 0)disp_message (WindowHandle, 'Add to Class:' + ClassName[1], 'window', RowRegionCenter, ColumnRegionCenter - 100, 'black', 'true')endifendfor*顯示 'Press Run (F5) to continue' 在屏幕的右下角disp_continue_message (WindowHandle, 'black', 'true')stop () endfor dev_clear_window () * * 自定義函數，構建可視化空間，可以顯示圓度和面積的二維坐標系，里面內容有點復雜，包括畫坐標系，顯示特征值兩部分，有興趣的同學可以仔細看看里面的代碼來復現一遍，這里就不細述。兩個特征變量里面分別有12個值，對應每個對象的特征值，將其放到坐標系中，橘子為深灰，檸檬為淺灰色。 visualize_2D_feature_space (Cross, Height, Width, WindowHandle, FeaturesArea[0:5], FeaturesCircularity[0:5], 'dim gray', 18) * 'oranges', 40, 440 visualize_2D_feature_space (Cross, Height, Width, WindowHandle, FeaturesArea[6:11], FeaturesCircularity[6:11], 'light gray', 18) * 'lemons', 70, 440 disp_continue_message (WindowHandle, 'black', 'true') stop () * * 訓練分類器（句柄，最大迭代次數，閾值，計算方法，防止協方差矩陣異常的正則化值，類中心數量，每個類的迭代次數）這里就是halcon的便利之處，直接將大量的代碼封裝，我們只需要更改幾個關鍵參數即可，但也要對GMM訓練算法有所了解，后面會專門寫一篇GMM算法的文章。 train_class_gmm (GMMHandle, 100, 0.001, 'training', 0.0001, Centers, Iter) * * 分類，下面的基本就是上面提取特征值的過程，沒啥特殊的，就不每行注釋了。 for I := 1 to 15 by 1read_image (Image, 'color/citrus_fruits_' + I$'.2d')dev_display (Image)* 'Classify Image', 10, 10get_regions (Image, SelectedRegions)dev_display (SelectedRegions)count_obj (SelectedRegions, NumberObjects)for J := 1 to NumberObjects by 1select_obj (SelectedRegions, ObjectSelected, J)get_features (ObjectSelected, WindowHandle, Circularity, Area, RowRegionCenter, ColumnRegionCenter)FeaturesArea := [FeaturesArea,Area]FeaturesCircularity := [FeaturesCircularity,Circularity]FeatureVector := real([Circularity,Area])*應用上面訓練的模型對測試數據的特征進行分類（句柄，特征向量，最佳類數（我的理解是指返回一種結果），分類結果（橘子是0，檸檬是1），后驗概率，概率密度，歸一化概率（通過這個概率進行判斷））classify_class_gmm (GMMHandle, FeatureVector, 1, ClassID, ClassProb, Density, KSigmaProb)*顯示信息disp_message (WindowHandle, 'Class: ' + ClassName[ClassID], 'window', RowRegionCenter, ColumnRegionCenter - 100, 'black', 'true')disp_message (WindowHandle, 'KSigmaProb: ' + KSigmaProb, 'window', RowRegionCenter + 30, ColumnRegionCenter - 100, 'black', 'true')endfor*如果測試圖片數量不等于15，顯示暫停。if (I != 15)disp_continue_message (WindowHandle, 'black', 'true')endifstop () endfor * 清除分類器內存 clear_class_gmm (GMMHandle)

三、總結

Halcon進行GMM分類的全過程包括以下幾部分：

預處理，包括閾值處理，二值化，提取區域或者輪廓特征等；

提取樣本特征；可以是圓度，面積，也可以是顏色，輪廓，主要看那種特征適合分類。

用add_sample_class_gmm將樣本特征添加到分類器，對特征進行訓練，得到最終GMM模型。

提取測試樣本的特征。

應用分類器對測試數據進行分類，這里Halcon把代碼封裝了，大家可以去看看C++或python版本的分類代碼，會對這個分類方法有更深的了解，至于先驗后驗概率密度之類的東西，大家自己查下吧，哈哈，要慢慢理解。
第一次寫博客，希望將自己的學習過程記錄下來，也分享給大家，希望共同進步。必須強調一點，一🗡三連。

總結

以上是生活随笔為你收集整理的Halcon例程（基于GMM模型的分类）详解 —— classify_citrus_fruits.hdev的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。