思路：讀取圖片--》圖片轉化為灰度---》快速傅里葉變換把圖像轉到頻域---》頻域濾波器進行卷積---》快速傅里葉反變換---》用一個矩形掩膜計算像素點的灰度范圍---》求圖片灰度值的最大和最小值和變換范圍---》利用全局閾值對圖像進行分割---》連通區域---》根據面積篩選區域---》合并區域---》使用圓形元素對區域進行閉運算---》連通區域---》根據面積篩選區域---》計算區域的面積以及中心位置---》顯示結果

例程：detect_indent_fft.hdev

說明：這個程序展示了如何利用快速傅里葉變換（FFT）對塑料制品的表面進行目標（缺陷）的檢測，大致分為三步：

首先，我們用高斯濾波器構造一個合適的濾波器（將原圖通過高斯濾波器濾波）；

然后，將原圖和構造的濾波器進行快速傅里葉變換；

最后，利用形態學算子將缺陷表示在濾波后的圖片上（在缺陷上畫圈）。

注：代碼中綠色部分為個人理解和注釋,其余為例程中原有代碼

*Initialization（初始化） dev_updata_off() //這一句包含如下三個算子： //dev_updata_pc(‘off’) 關閉更新程序計數器 //dev_updata_var(‘off’) 關閉更新變量窗口 //dev_updata_window(‘off’) 關閉更新圖像窗口（即通過命令來顯示想要在圖像窗口顯示的圖片） dev_close_window() //關閉活動的圖像窗口 read_image(Image,’plastics / plastics_01’) //載入圖片 //參數說明：為讀入圖片命名（Image） // 文件名（’plastics/plastics_01’） get_image_size(Image,Width,height) //獲取圖片的長寬； //參數說明：之前讀入或生成的圖片（Image） // 圖片的寬（Width） // 圖片的高（Height） dev_open_window(0,0,Width,Height,’Black’,WindowHandle) //打開一個新的圖像窗口 //參數說明：起始坐標（0,0） // 大小（Width,Height） // 背景顏色（’Black’） // 窗口句柄（WindowHandle） set_display_font （WindowHandle,14,’mono’,’ture’,’false’）//設置不依賴操作系統的字體 //參數說明：窗口句柄（WindowHandle） // 字體大小（14） // 字體類型（’mono’） // 是否黑體（’ture’） // 是否傾斜（’false’） dev_set_draw(‘Margin’) //定義區域填充模式 //參數說明：填充模式（’Margin’或者’Fill’）dev_set_line_width（3） //設置輸出區域輪廓線的線寬//可以修改參數來看最后缺陷區域標示的區別 dev_set_color（’red’） //設置一種或者多種輸出顏色* *Optimize the fft speed for the specific image size(根據指定圖像大小進行fft速度最優化) optimize_rft_speed（Width,Height,’standard’） //對指定大小的圖片的fft速度進行優化 //參數說明：圖片大小（Width,Height） // 優化模式（’standard’）* *Construct a suitable filter by combining two Gaussian filters（結合兩個高斯濾波器構造一*個合適的濾波器） Sigma1 := 10.0 Sigma2 := 3.0 //定義兩個常量 gen_gauss_filter(GaussFilter1,Sigma1,Sigma1,0.0,’none’,’rft’,Width,Height) gen_gauss_filter(GaussFilter2,Sigma2,Sigma2,0.0,’none’,’rft’,Width,Height) //在頻域生成兩個高斯濾波器 //參數說明：生成的高斯濾波器（GaussFilter） // 空域中高斯在主方向上的標準差（Sigma） // 空域中高斯在正交于主方向的方向上的標準差（Sigma） // 濾波器主方向的角度（0.0） // 濾波器的規范（’none’） // 直流項在頻域的位置（’rft’） // 圖片的大小（Width,Height） sub_image(GaussFilter1,GaussFilter2,Filter,1,0) //兩圖片相減（灰度） //sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : ) //g' := (g1 - g2) * Mult + Add //以上為函數原型以及運算公式* *Process the images iteratively(對圖像進行迭代運算) NumImages := 11 For Index := 1 to NumImages by 1 //for循環從1到NumImages，步長為1**Read an image and convert it to gray valuesread_image(Image,’plastics/plastics_’+Index$’02’)rgb1_to_gray(Image,Image) //將原圖轉化為灰度圖，第一個參數為原圖*Perform the convolution in the frequency domainrft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)//對計算一幅圖片實部進行快速傅里葉變換//參數說明：輸入的圖片（Image）// 傅里葉變換后輸出的圖片（ImageFFT）// 變換方向（’to_freq’或’from_freq’）// 變換因子的規范（’none’）// 輸出圖片的數據類型（’complex’）// 圖片的寬（Width）convol_fft(ImageFFT,Filter,ImageConvol) //對圖片用一個濾波器在頻域進行卷積運算//參數說明：輸入的圖片（ImageFFT）// 頻域濾波器（Filter）// 運算后輸出的結果rft_generic(ImageConvol,ImageFiltered,’from_freq’,’n’,’real’,Width) //對濾波后的圖片進行傅里葉反變換**Process the filtered imagegray_range_rect(ImageFiltered,ImageResult,10,10)//用一個矩形掩膜計算像素點的灰度范圍//參數說明：輸入的圖片（ImageFiltered）// 輸出的灰度范圍圖（ImageResult）// 矩形掩膜大小（10,10）min_max_rect(ImageResult,ImageResult,0,Min,Max,Range)//判斷區域內灰度值的最大和最小值//參數說明：待分析圖片區域（ImageResult）// 圖片（ImageResult）// 被去除的直方圖兩邊像素點所// 占總像素數的百分比（0）// 得到的最小值最大值及灰度值范圍（Min,Max,Range）threshold(ImageResult,RegionDynThresh,max([5.55,Max*0.8]),255)//利用全局閾值對圖像進行分割//參數說明：輸入的圖片（ImageResult）// 分割后得到的區域（RegionDynThresh）// 閾值（max([5.55,Max*0.8]),255）// 公式：MinGray <= g <= MaxGrayconnection(RegionDynThresh,ConnectedRegions) //計算區域內的連通部分//參數說明：輸入的圖片（RegionDynThresh）// 得到的連通區域（ConnectedRegions）select_shape (ConnectedRegions,SelectedRegions,’area’,’and’,4,99999)//根據指定的形態特征選擇區域//參數說明：輸入的圖片（ConnectedRegions）// 滿足條件的區域（SelectedRegions）// 將要計算的形態特征（’area’）// 獨立特征間的連接關系（’and’）// 特征的最小限制（4）// 特征的最大限制（99999）union1(SelectedRegions,RegionUnion) //返回包含所有區域的集合//參數說明：包含所有區域的待計算區域的圖片（tedRegions）// 所有輸入區域合（RegionUnion）closeing_circle(RegionUnion,RegionClosing,10)//用一個圓圈來封閉一個區域//參數說明：將要被封閉的區域（RegionUnion）// 被封閉的區域（RegionClosing）// 圓圈的半徑（10）connection(RegionClosing,ConnectedRegions1)select_shape(ConnectedRegions1,SelectedRegions1,’area’,’and’,10,99999)area_center(SelectedRegions1,Area,Row,Column) //計算區域的面積以及中心位置//參數說明：待計算的區域（SelectedRegions1）// 區域的面積（Area）// 區域中心的行（Row）// 區域中心的列（Column）**Display the resultsdev_display(Image) //顯示原圖Number := |Area| //將區域面積賦給Number用于后面檢查是否存在缺陷if(Number)gen_circle_contour_xld(ContCircle,Row,Column,gen_tuple_const(Number,30),gen_tuple_const(Number,0), gen_tuple_const(Number,rad(360)),’positive’,1)//構造一個與設定的圓弧或圓相一致的邊界//參數說明：生成的邊界（ContCircle）// 圓弧或圓的中心坐標（Row,Cloumn）// 圓弧或圓的半徑（gen_tuple_const(Number,30)）// 圓弧或圓的起始角度（gen_tuple_const(Number,0)）// 圓弧或圓的結束角度（gen_tuple_const(Number,rad(360))）// 不明白是什么意思// 相鄰兩點間的距離（1）ResultMessage := [‘Not OK’,Number + ‘defect(s) found’]Color := [‘red’,’black’]dev_display(ContCircle)elseResultMessage := ‘OK’Color := ‘forest green’endifdisp_message(WindowHandle,ResultMessage,’window’,12,12,Color,’ture’)if(Index#NumImages)disp_continue_message(WindowHandle,’black’,’ture’)stop()endif endfor

總結

以上是生活随笔為你收集整理的Halcon学习之缺陷检测-凸点检测的全部內容，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。