OpenCV三通道Mat点云转Halcon点云---HTuple类型的难点
在将OpenCV中的三通道Mat(通常用于存储图像数据,包括RGB三通道)转换为Halcon中的点云数据时,并直接转换为Halcon特有的HTuple类型(HTuple是Halcon中用于存储和处理数据的强大容器,可以包含多种类型的数据,如整数、浮点数、字符串等,并支持数组和动态数据结构),存在以下难点:
- 数据结构差异 :
- OpenCV的Mat主要用于存储二维图像数据,其数据结构主要围绕像素的行列展开。
- Halcon的点云数据通常包含三维坐标信息(x, y, z),并可能包含其他属性如颜色、强度等,这些数据需要以适当的方式组织在Halcon的数据结构中。
- 类型转换复杂性 :
- 如果要将OpenCV的RGB图像转换为点云,首先需要将图像中的每个像素的RGB值转换为三维空间中的坐标(这通常不是直接转换,因为RGB仅代表颜色信息,不直接对应空间坐标)。
- 若确实需要将颜色信息保留为点云属性,则需要在Halcon中创建相应的数据结构来存储这些信息,这涉及到复杂的类型转换和数据处理。
- HTuple的灵活性与复杂性 :
- HTuple虽然功能强大且灵活,但使用它来处理点云数据(尤其是当点云数据量较大时)可能会增加编程的复杂性。
- 需要编写额外的代码来遍历OpenCV的Mat数据,并将其转换为HTuple中适合的点云数据结构。
OpenCV与Halcon的各自优点
OpenCV的优点
- 开源与免费:OpenCV是开源的,可以免费使用和修改,非常适合学术界、研究机构和个人开发者使用。
- 丰富的功能:OpenCV提供了大量的计算机视觉算法和工具,包括图像处理、视频分析、目标检测、跟踪等。
- 多平台支持:OpenCV支持多种操作系统和编程语言,如Windows、Linux、macOS,以及C++、Python等。
- 社区支持:由于OpenCV的开源性质,其拥有庞大的社区支持,可以方便地获取帮助和教程。
Halcon的优点
-
高精度与高效性:Halcon在图像处理算法和技术方面相对更先进和复杂,能够实现更高精度的图像处理任务,并且处理速度相对较快,特别是对于大规模、高精度的图像处理任务。
-
工业级应用:Halcon被广泛应用于工业自动化、机器人视觉、医疗、安全监控等领域,具有高度的可靠性和稳定性。
-
丰富的工具和库:Halcon提供了丰富的图像处理和分析功能,如形状匹配、OCR、二维码识别等,并支持2D和3D图像处理、形状识别、特征提取、运动跟踪、三维重建等多种功能。
-
灵活的编程模式:Halcon支持多种编程语言,包括Halcon语言、C++、C#和Python等,并且可以在不同的操作系统和硬件平台上运行。
-
易于使用 :Halcon的API相对简单,且提供了丰富的教程和文档,使得用户更容易上手和学习。
代码如下:测试相机(中科融合)
bool FrameData2HTupleMat2(const FrameData& tmp_frameData, const CameraParam& tmp_stCamParam, Mat& pointMat, HTuple& hv_ObjectModel3D)
{
//可以去除------stata(这段是基于中科测试的)
const auto point3D = tmp_frameData.point3D;
const auto pointUV = tmp_frameData.pointUV;
//int width = tmp_stCamParam.irWidth;
//int height = tmp_stCamParam.irHeight;
//int textureWidth = tmp_stCamParam.textureWidth;
//int textureHeight = tmp_stCamParam.textureHeight;if (point3D == nullptr || pointUV == nullptr) { std::cout << "Input points or pointUV is nullptr." << std::endl; return false; } //可以去除------end /*int tmp_nHeight = pointMat.size().height; int tmp_nWidth = pointMat.size().width; int i = 0;*/ //创建3通道f类型Mat cv::Mat3f tmp_mat3f_m; //除以1000将单位从mm转换为m cv::divide(pointMat, 1000.0, tmp_mat3f_m); //创建单通道数组三个 cv::Mat1f imgs_array_m[3]; //分割通道 cv::split(tmp_mat3f_m, imgs_array_m); //获取单通道数组元素个数 int tmp_num = imgs_array_m[0].total(); //赋值过去HTuple HTuple a1(reinterpret_cast<float*>(imgs_array_m[0].data), tmp_num); HTuple a2(reinterpret_cast<float*>(imgs_array_m[1].data), tmp_num); HTuple a3(reinterpret_cast<float*>(imgs_array_m[2].data), tmp_num); //有一些没办法使用Htuple/1000 //a1 = a1 / 1000; //a2 = a1 / 1000; //a3 = a1 / 1000; //重新合成点云 GenObjectModel3dFromPoints(a1, a2, a3, &hv_ObjectModel3D); a1.Clear(); a2.Clear(); a3.Clear(); return true;
};