Halcon纹理分析texture_laws/trans_from_rgb

Halcon纹理分析

文章目录

  • Halcon纹理分析
    • [1. 纹理滤波器](#1. 纹理滤波器)
    • [2. 织物折痕检测](#2. 织物折痕检测)

纹理是图像表面的一种灰度变化。有的纹理很规则,会以局部小区域为单元重复出现,而有的纹理则呈现出随机性。对于规则的纹理,可以很容易地从中分辨出重复的区域,这些局部的、重复的部分称为纹理单元。
对于一些灰度变化复杂,很难用颜色分析去处理的图像,不妨使用纹理分析。纹理滤波器可以很方便地找出纹理的位置和内容。

1. 纹理滤波器

Halcon中的纹理滤波器的原理是,使用一个特殊的滤波器作为纹理算子,在图像上进行滤波操作,以增强或者抑制特定的纹理图像。经过纹理滤波器处理后的图像会被分割成若干个有相同图像的纹理单元。Halcon的标准纹理滤波器是texture_laws算子,该算子提供了各种纹理滤波器的集合。滤波器的类型有7种:level、edge、spot、wave、ripple、undulation、oscillation。

texture laws算子用于对纹理进行滤波,它根据参数设定的规则,对图像进行纹理变换。其参数如下。

(1)参数1为输入图像Image。

(2)参数2为输出纹理。

(3)参数3为滤波的类型FilterType。这里的类型参数由两个字母组成,两个字母都取自7种滤波器类型的首字母,如1表示 level,e表示edge,s表示spot等。第1个字母表示行方向上的滤波类型,第2个字母表示列方向上的滤波类型,如ss 表示两个方向都使用spot 滤波器。

(4)参数4为偏移量shift。当灰度值大于255时,可降低灰度值。该参数用于调整结果图像的灰度,默认为2。

(5)参数5为滤波器的卷积核尺寸,默认为5,可选择的有3、5、7。

2. 织物折痕检测

本部分举一个实例介绍纹理检测的用法。纹理检测常用于检测织物中的跳线、缺色、折痕等瑕疵。图(a)采集自一块有折痕的布料,这里使用texture_laws算子检测出纹理的异常区域。图(b)显示了纹理检测后的结果,然后经过阈值等形态学处理,将异常区域显示出来,如图(c)所示。

该程序的代码如下:

bash 复制代码
*读取布料的图像
read_image (Image, ' data/cloth')
*将图像分解成R、G、B3个通道
decompose3 (Image, Image1, Image2, Image3)
*将R、G、B3个通道的图像转化为HSV颜色空间
trans_from_rgb (Imagel, Image2, Image3, ImageResultl, ImageResult2, ImageResult3, 'hsv')
*进行纹理检测
*其中选择的滤波器类型是1s,即行方向用leve1,列方向用spot 进行检测
*这种滤波器类型适合检测垂直方向上的缺陷
texture_laws (ImageResult2, ImageTextureLs,'ls', 2, 7)
*对经过滤波器处理后的图像进行均值化,使图像更平滑,缺陷区域更明显
mean_image (ImageTextureLS, ImageMean, 11, 11)
*对检测出的缺陷区域进行形态学处理并显示出来
threshold (ImageMean, Regions, 60, 255)
*将符合条件的区域分割成独立区域
connection(Regions, ConnectedRegions)
*计算各区域的面积,提取出面积最大的区域
area_center (ConnectedRegions, Area, Row, Column)
select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', max(Area),99999)
*进行闭运算,提取出缺陷区域
closing_circle(SelectedRegions, RegionClosing, 11.5)
dev_clear_window ()
dev_display (RegionClosing)

本例主要介绍了纹理滤波器的应用。在应用纹理滤波器之前,也可以使用傅里叶变换,增强图像中灰度变化剧烈的区域,使检测更加方便。

相关推荐
byte轻骑兵4 分钟前
时序数据库选型指南:Apache IoTDB 社区版实践与踩坑
数据库·人工智能·apache·时序数据库·iotdb
逐梦苍穹5 分钟前
DeepInfer 推理框架源码精讲:逐行读 DeepSeek 开源的推理引擎(2 小时 20 分视频+文字版)
人工智能·开源·ai编程·deepseek·claudecode·deepinfer·deepseekinfer
水如烟9 分钟前
孤能子视角:微软宕机是“极化”在数字基础设施层的显影——效率驱动下强关系集中到单一节点,弱关系备份被淘汰,可折返性丧失
人工智能
芯门25 分钟前
GitHub「用好 AI」工具生态全景:2409 个仓库 Star 排行调研(2026-11)
人工智能·github
lucas_AI1 小时前
RAG 给你的答案,其实先「筛」过了你的证据——这个工具把黑箱拆开给你看
人工智能
江湖有缘2 小时前
基于Ubuntu部署SoduWork:企业级 AI 原生协同平台实战全流程
linux·人工智能·ubuntu·ai·soduwork
青少儿编程课堂2 小时前
蓝桥杯青少组图形化 + 全国青少年信息素养大赛 + 电子学会图形化考级:校园大富翁经营闯关解析
c++·python·算法·bfs·信息学竞赛
lucas_AI2 小时前
Claude Code 的「项目经理」上班了:协调器主动汇报,并行 AI 工人不等你催
人工智能
zhaoshuzhaoshu2 小时前
NPU(神经网络处理单元)详细解析
人工智能
在所不辞兄2 小时前
为什么在新能源汽车电驱与热管理开发中,AI驱动的数字孪生和数据驱动仿真正在部分替代对物理台架与实车标定的依赖?
人工智能·深度学习·神经网络·算法·机器学习