Halcon机器视觉算法原理与编程实战

第 1章　机器视觉概述 002
1.1什么是机器视觉 003
1.2机器视觉与计算机视觉的区别 003
1.3机器视觉的工作原理 005
1.4机器视觉的应用领域 006
第 2章　如何做机器视觉项目 008
2.1项目的前期准备 009
2.1.1从 5个方面初步分析客户需求 009
2.1.2方案评估与验证 009
2.1.3签订合同 010
2.2项目规划 011
2.2.1定义客户的详细需求 011
2.2.2制订项目管理计划 011
2.2.3方案评审 012
2.3详细设计 012
2.3.1硬件设备的选择与环境搭建 012
2.3.2软件开发平台与开发工具的选择 013
2.3.3机器视觉系统的整体框架与开发流程 013
2.3.4交互界面设计 014
2.3.5 Halcon与开发工具 014
2.4项目交付 015
2.4.1软件功能测试 015
2.4.2现场调试 015
2.4.3系统维护 016
第 3章　硬件环境搭建 017
3.1相机 018
3.1.1相机的主要参数 018
3.1.2相机的种类 019
3.1.3相机的接口 020
3.1.4相机的选型 020
3.2图像采集卡 022
3.2.1图像采集卡的种类 022
3.2.2图像采集卡的选型 023
3.3镜头 023
3.4光源 024
3.5实例：硬件选型 025
第 4章　软件图像采集 026
4.1获取非实时图像 027
4.1.1读取图像文件 027
4.1.2读取视频文件 028
4.2获取实时图像 030
4.2.1 Halcon的图像采集步骤 030
4.2.2 使用 Halcon接口连接相机 030
4.2.3 使用相机的 SDK采集图像 033
4.2.4外部触发采集图像 033
4.3 多相机采集图像 034
4.4 Halcon图像的基本结构 035
4.5 实例：采集 Halcon图像并进行简单处理036
第 5章　图像预处理 040
5.1图像的变换与校正 041
5.1.1二维图像的平移、旋转和缩放 041
5.1.2图像的仿射变换 042
5.1.3投影变换 042
5.1.4实例：透视形变图像校正 043
5.2 感兴趣区域（ROI）045
5.2.1 ROI的意义 045
5.2.2创建 ROI045
5.3 图像增强046
5.3.1直方图均衡 046
5.3.2增强对比度 ·048
5.3.3处理失焦图像 049
5.4 图像平滑与去噪 049
5.4.1均值滤波 049
5.4.2中值滤波 050
5.4.3高斯滤波 051
5.5 光照不均匀 052
第 6章　图像分割 054
6.1阈值处理 055
6.1.1全局阈值 055
6.1.2基于直方图的自动阈值分割方法 056
6.1.3自动全局阈值分割方法 057
6.1.4局部阈值分割方法 058
6.1.5其他阈值分割方法 060
6.2 区域生长法062
6.2.1 regiongrowing算子062
6.2.2 regiongrowing_mean算子064
6.3 分水岭算法065
第 7章　颜色与纹理067
7.1图像的颜色068
7.1.1图像的色彩空间068
7.1.2 Bayer图像069
7.1.3颜色空间的转换070
7.2 颜色通道的处理 070
7.2.1图像的通道 071
7.2.2访问通道 071
7.2.3通道分离与合并 071
7.2.4处理 RGB信息 073
7.3实例：利用颜色信息提取背景相似的字符区域 074
7.4 纹理分析 075
7.4.1纹理滤波器 075
7.4.2实例：织物折痕检测 076
第 8章　图像的形态学处理 077
8.1腐蚀与膨胀 078
8.1.1结构元素 078
8.1.2腐蚀 078
8.1.3膨胀 080
8.2开运算与闭运算 082
8.2.1开运算 082
8.2.2闭运算 084
8.3顶帽运算与底帽运算 085
8.3.1顶帽运算 086
8.3.2底帽运算 086
8.3.3顶帽运算与底帽运算的应用 087
8.4灰度图像的形态学运算 089
8.4.1灰度图像与区域的区别 089
8.4.2灰度图像的形态学运算效果及常用算子 089
8.5实例：粘连木材图像的目标分割与计数 091
第 9章　特征提取 095
9.1区域形状特征 096
9.1.1区域的面积和中心点 096
9.1.2封闭区域（孔洞）的面积 097
9.1.3根据特征值选择区域 098
9.1.4根据特征值创建区域 100
9.2基于灰度值的特征 103
9.2.1区域的灰度特征值 103
9.2.2区域的*、*小灰度值 105
9.2.3灰度的平均值和偏差 106
9.2.4灰度区域的面积和中心 107
9.2.5根据灰度特征值选择区域 107
9.3基于图像纹理的特征 109
9.3.1灰度共生矩阵 109
9.3.2创建灰度共生矩阵 110
9.3.3用共生矩阵计算灰度值特征 111
9.3.4计算共生矩阵并导出其灰度值特征 111
9.3.5实例：提取图像的纹理特征 112
第10 章　边缘检测 115
10.1像素级边缘提取 116
10.1.1经典的边缘检测算子 116
10.1.2边缘检测的一般流程 117
10.1.3 sobel_amp算子 117
10.1.4 edges_image算子 120
10.1.5其他滤波器 122
10.2亚像素级边缘提取 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轮廓处理 129
10.3.1轮廓的生成 130
10.3.2轮廓的处理 130
第11 章　模板匹配134
11.1模板匹配的种类 135
11.1.1基于灰度值的模板匹配 135
11.1.2基于相关性的模板匹配 136
11.1.3基于形状的模板匹配 136
11.1.4基于组件的模板匹配 137
11.1.5基于形变的模板匹配 138
11.1.6基于描述符的模板匹配 138
11.1.7基于点的模板匹配 139
11.1.8模板匹配方法总结 139
11.2图像金字塔 140
11.3模板图像 142
11.3.1从参考图像的特定区域中创建模板 ·142
11.3.2使用 XLD轮廓创建模板 143
11.4模板匹配的步骤 143
11.4.1基于灰度值的模板匹配 143
11.4.2基于相关性的模板匹配 145
11.4.3基于形状的模板匹配 147
11.4.4基于组件的模板匹配 149
11.4.5基于局部形变的模板匹配 150
11.4.6基于透视形变的模板匹配 152
11.4.7基于描述符的模板匹配 153
11.4.8优化匹配速度 155
11.4.9使用 Halcon匹配助手进行匹配 156
11.5实例：指定区域的形状匹配 159
第12 章　图像分类 163
12.1分类器 164
12.1.1分类的基础知识 164
12.1.2 MLP分类器 166
12.1.3 SVM分类器 166
12.1.4 GMM分类器 166
12.1.5 k-NN分类器 167
12.1.6选择合适的分类器 167
12.1.7选择合适的特征 168
12.1.8选择合适的训练样本 168
12.2特征的分类 169
12.2.1一般步骤 169
12.2.2 MLP分类器 170
12.2.3 SVM分类器 176
12.2.4 GMM分类器 176
12.2.5 k-NN分类器 177
12.3光学字符识别 178
12.3.1一般步骤 179
12.3.2 OCR实例 179