图像获取

用到的函数：
1.读取目录
list_files( Directory, Options : Files)
Directory必须为一个目录
Files时读取到文件的变量
读出来就是目录数组：

2.筛选文件数组
tuple_regexp_select( Data, Expression : Selection)
Data为筛选的文件组
Expression为正则表达式
Selection为输出
3.读取图像
read_image( : Image : FileName : )
Image为读取后图像输出
FileName为图像文件名（就是文件的路径）
例子：

注意:如果read_image时报格式错误，就是读取的图片后缀格式和实际的格式不符合
也可以手动读取：

（拖拽也行）
也可以用图像采集助手：

生成单通道图像

*生成一张无灰度的图片，即纯黑图片
gen_image_const(Image, ‘byte’, 15, 15)
第一个参数：Image是生成的图像
第二个参数：Type是图像生成的类型，见下
第三个参数：Width宽
第四个参数：Height高
Type:

The operator gen_image_const creates an image of the indicated size. The width and height of the image are determined by Width and Height. HALCON supports the following image types:

'byte'
1 byte per pixel, unsigned

Value range: (0..255)

'int1'
1 byte per pixel, signed

Value range: (-128..127)

'uint2'
2 bytes per pixel, unsigned

Value range: (0..65535)

'int2'
2 bytes per pixel, signed

Value range: (-32768..32767)

'int4'
4 bytes per pixel, signed

Value range: (-2147483648..2147483647)

'int8'
8 bytes per pixel, signed (only available on 64 bit systems)

Value range: (-9223372036854775808..9223372036854775807)

'real'
4 bytes per pixel, floating point

Value range: (-3.4e38..3.4e38)

Precision: 6 significant decimal digits

'complex'
Two matrices of type 'real'

'vector_field_relative'
Two matrices of type 'real'

Interpretation: Vectors

'vector_field_absolute'
Two matrices of type 'real'

Interpretation: Absolute coordinates

'direction'
1 byte per pixel, unsigned

Value range: (0..179)

Interpretation: Angle divided by two

Attention: The values 180..254 are automatically set to the value 255, which is interpreted as undefined angle.

'cyclic'
1 byte per pixel, unsigned, cyclic arithmetics

Value range: (0..255)

With the operator set_system('init_new_image',<'true'/'false'>), it can be controlled whether the created image is initialized with 0 or not.

*生成一张灰度渐变图片
gen_image_gray_ramp(ImageGrayRamp, 20, 1, 128, 7, 7, 15, 15)
根据下面的公式创建一个渐变的图像：
ImageGrayRamp(r,c)=Alpha×(r-row)＋Beta×(c-col)+平均值2
第一个参数：ImageGrayRamp是生成的图像
第二个参数：Alpha是Alpha的值，控制图像过度平滑度（分布），越小越平滑，灰度值也就越少.
第三个参数：Beta是Beta值，控制图像的倾斜
第四个参数：Mean是平均灰度值
第五个参数：Row是row值
第六个参数：Column是Column值
第七个参数：Width宽
第八个参数：Height高

*生成一张有灰度的图像（单通道）
gen_image_proto(ImageGrayRamp, ImageCleared, 128)
第一个参数：Image是输出图像的尺寸和这个图像相同
第二个参数：ImageCleared是生成的图像
第三个参数：Grayval是图像的常量灰度值

*设置图像某点灰度值,ramp的意思是灰度渐变图像（还是单通道）
set_grayval(ImageGrayRamp, 7, 7, 255)
第一个参数：Image是输入需要设置的图像
第二个参数：Row是需要改变灰度的y坐标
第三个参数：Column是需要改变灰度的x坐标
第四个参数：Grayval是修改后的灰度值

图像运算

注意：运算一般需要图像的大小通道数一致

加法运算

对于单通道：图像的加法运算是将两幅图片的灰度值进行相加：g’ := (g1 + g2) * Mult + Add
add_image (ImageA, ImageB, ImageAdd, Mult , Add)
第1个参数：ImageA是加数
第2个参数：ImageB是加数
第3个参数：ImageAdd结果图像
第4个参数：Mult是Mult值
第5个参数：Add是Add值

例子：

list_files('C:/Users/24774/Desktop/新建文件夹/',['files'],ImageFiles)
tuple_regexp_select(ImageFiles,['\\.(jpg|png|jpeg)$', 'ignore_case'],ImageFiles)
*\\转义字符，(|)选择，ignore_case忽略大小写
*生成单通道纯黑图像
gen_image_const (ImageAdd, 'byte', 1000, 600)
*生成三个指定灰度的单通道图像，大小和ImageAdd相同
gen_image_proto(ImageAdd, ImageA, 0)
gen_image_proto(ImageAdd, ImageB, 0)
gen_image_proto(ImageAdd, ImageC, 0)
*合并通道，生成三通道彩色图片，RGB
compose3(ImageA, ImageB, ImageC, ImageAdd)

for Index:=0 to |ImageFiles| - 1 by 1
    read_image(Image,ImageFiles[Index])
    *裁剪图像保证图像大小一致
    crop_part (Image, ImagePart, 0, 0, 1000, 600)
    *0.5对应值越大越清除但是重叠图像越亮，10对应值越大重叠的部分越和谐，但是越模糊
    add_image (ImageAdd, ImagePart, ImageAdd, 0.3, 100)
endfor

减法运算

可以用于找两张图片的不同
对于单通道：图像的减法运算是将两幅图片的灰度值进行相减：g’ := (g1 - g2) * Mult + Add
sub_image(ImageMinuend, ImageSubtrahend, ImageSub, Mult, Add)
第1个参数：ImageMinuend是被减数图像
第2个参数：ImageSubtrahend是减数图像
第3个参数：ImageSub结果图像
第4个参数：Mult是Mult值
第5个参数：Add是Add值

乘法运算

单通道图像中，乘法会把灰度值相乘
例子：

read_image (ImageA, 'C:/Users/24774/Desktop/新建文件夹/1716282654639.jpg')
rgb1_to_gray(ImageA,GrayImage)
gen_image_proto(ImageA, ImageB, 0)

*生成一个矩形区域
gen_rectangle1(Rectangle, 112, 412, 312, 832)
*区域绘制到图像上'fill'为整个，'margin'为边缘，paint_region只接受单通道图像，多通道请拆分画完合并
paint_region (Rectangle, ImageB, ImageB, 255, 'fill')
*乘法，灰度值相乘g' := g1 * g2 * Mult + Add，1.0哟不然1/255=0，g1 * g2 * Mult超过255会全白
mult_image (ImageB, GrayImage, ImageMult, 1.0/255, 0)

除法

触发可以进行图像的亮度矫正。比如流水线上每天亮度不一样，对图像就有影响，我们可以通过触发减小这种影响，就叫亮度矫正
div_image(ImageConverted1, ImageConverted2, Result, 1, 0)
公式：g’ := g1 / g2 * Mult + Add
第一个参数：ImageConverted1为被除数
第二个参数：ImageConverted2为除数
第三个参数：Result为结果
第4个参数：Mult是Mult值
第5个参数：Add是Add值

仿射变换

先生成一个对角矩阵
对对角矩阵进行变换
通过对角矩阵对图像进行变换（矩阵相乘）

函数只说两个，其他的看例子很简单。

affine_trans_image(Image, ImageAffineTrans. HomMat2D, Interpolation, AdaptImageSize)
第一个参数：Image是被变换的图像
第二个参数：ImageAffineTrans是变换后的图像
第三个参数：HomMat2D是变换矩阵，就是按照这个矩阵变换
第四个参数：Interpolation是变换方法
nearest_neighbor
最近邻插值：灰度值由最近像素的灰度值确定（可能质量低，速度非常快）。
bilinear
双线性插值。灰度值是通过双线性插值从四个最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放，则不执行平滑，这可能会导致严重的锯齿效应（中等质量和运行时间）。
bicubic
双三次插值。灰度值是通过双三次插值从最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放，则不执行平滑，这可能会导致严重的锯齿效应（放大质量高，速度慢）。
constant
双线性插值。灰度值是通过双线性插值从四个最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放，则使用一种均值滤波器来防止混叠效应（中等质量和运行时间）。
weighted
双线性插值。灰度值是通过双线性插值从四个最近的像素确定的。如果仿射变换包含比例因子 < 1 的缩放，则使用一种高斯滤波器来防止混叠效应（高质量，慢）。
第五个参数：AdaptImageSize是对齐方式，false是左上角对齐，true是右下角对齐

*倾斜变换矩阵
hom_mat2d_slant( HomMat2D, Theta, Axis, Px, Py, HomMat2DSlant)
第一个参数：HomMat2D是待变换矩阵
第二个参数：Theta是倾斜度 0 ≤ Theta ≤ 6.28318530718
第三个参数：Axis是按什么坐标倾斜 ‘x’, ‘y’
第四个参数：Px变换的固定点（x 坐标）
第五个参数：Py变换的固定点（y 坐标）
第六个参数：HomMat2DSlant是变换后的矩阵

read_image (Image, 'C:/Users/24774/Desktop/新建文件夹/1716282654639.jpg')

*生成对角矩阵
hom_mat2d_identity (HomMat2DIdentity)
*左上角xy平移300
hom_mat2d_translate (HomMat2DIdentity, 300, 300, HomMat2DTranslate)

*平移仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DTranslate, 'constant', 'false')


*比例变换矩阵,0,0点为基准放大两倍
hom_mat2d_scale (HomMat2DIdentity, 2, 2, 0, 0, HomMat2DScale)
*比例变换仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DScale, 'constant', 'false')

*旋转矩阵
hom_mat2d_rotate (HomMat2DIdentity, 0.78, 300, 300, HomMat2DRotate)
*旋转仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DRotate, 'constant', 'false')

*倾斜变换矩阵
hom_mat2d_slant (HomMat2DIdentity, 1, 'y', 2, 2, HomMat2DSlant)
*倾斜变换仿射
affine_trans_image (Image, ImageAffineTrans, HomMat2DSlant, 'constant', 'false')

图像平滑（噪点处理）

用于减少图像中的噪声和细节，从而使图像看起来更平滑和更柔和。其主要目的是去除图像中的高频成分（例如噪声和细小的纹理），同时保留低频成分（例如大的结构和边缘）。这在许多应用中非常有用，例如减少相机传感器产生的噪声、降低图像中的细节以便于进一步处理（如边缘检测）或增强图像的视觉效果。

1） 高斯噪声
即图像信号的噪声符合高斯分布，属于白噪音的一种。

根据噪声分布的不同还有泊松分布等
2）白噪声
白噪声是一种统计特性均匀的噪声，其频率成分在整个频谱范围内是均匀分布的。如果一幅图像受到白噪声的影响，每个像素的灰度值可能会被随机地增加或减少，具体变化量遵循某个概率分布（例如，高斯分布）。

与椒盐噪声的区别是分布均匀（颜色不是均匀的，可能按照某种分布），颜色不止极黑极白。
3）椒盐噪声
就像老电视的‘雪花’，椒盐噪声(salt-and-pepper noise)又称脉冲噪声，它随机改变一些像素值，在二值图像上表现为使一些像素点变白，一些像素点变黑。 是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。（即只有黑白点）

高斯滤波

适用于消除高斯噪音。

gauss_filter(Image, ImageGauss, Size)
Size值有:
3 (0.600)
5 (1.075)
7 (1.550)
9 (2.025)
11 (2.550)

均值滤波

mean_image(Image， ImageMean，MaskWidth, MaskHeight)
第一个参数：Image是需要滤波的图像
第二个参数：ImageMean是输出图像
第三个参数：MaskWidth是掩膜宽度
第四个参数：MaskHeight是掩膜高度

中值滤波

median_image(Image, ImageMedian, MaskType, Radius, Margin)
第一个参数：Image是需要滤波的图像
第二个参数：ImageMedian是输出图像
第三个参数：MaskType是掩膜方式，有’circle’, ‘square’
第四个参数：Radius是掩膜半径 1 ≤ Radius ≤ 4095
第五个参数：Margin是边界处理方式，建议值：‘mirrored’, ‘cyclic’, ‘continued’, 0, 30, 60, 90, 120, 150, 180, 210, 240, 255

多图像均值

一般是将多张相同的灰度图像滤波
mean_n(Image, ImageMean)
第一个参数：Image是需要运算的多通道灰度图像
第二个参数：ImageMean为运算后的图像

Image需要使用append_channel将多个图像的通道全部添加到一个图像
比如MotionImage和Image灰度图像是单通道，append_channel（MotionImages, Image, MotionImage）运行后MotionImage为2通道灰度图像。

*多图像均值滤波
NumImage := 3
for Index := 0 to NumImage - 1 by 1
    p := 'C:/Users/24774/Desktop/新建文件夹/' + Index$ '02d'
    *格式化Index$ '02d'会变为前面没有字符串会编程Index00,Index01这种。有的话是前面字符串拼接上00，01，02
    read_image (Image,'C:/Users/24774/Desktop/新建文件夹/' + Index$ '02d')
    crop_part (Image, ImagePart, 0, 0, 400, 400)
    if (Index == 0)
        copy_obj (ImagePart, MotionImage, 1, 1)
    else
        *多个图片加入对应通道，即合并图片
        append_channel (MotionImage, ImagePart, MotionImage)
    endif
endfor
*求通道平均
mean_n (MotionImage, ImageMean)

边缘滤波

即过滤边缘，突出边缘。
斜坡边缘比较常见

索贝尔滤波

索贝尔（Sobel）算子是一个离散微分算子， 即使用倒数表示边缘像素变化的趋势。
图像是一个二维矩阵，所以将到数分为了x，y两个方向。
SOBEL_AMP计算图像的一阶导数，并用作边缘检测器。该滤镜基于以下滤镜掩码（即x方向和y方向倒数矩阵）：

再使用卷积：

sobel_amp(Image, EdgeAmplitude, FilterType, Size)
第一个参数是：Image是待边缘滤波图像
第二个参数是：EdgeAmplitude是输出图像
第三个参数是：FilterType是计算方式：

第四个参数是：Size是掩膜大小

凯尼滤波

（1）应用高斯滤波来平滑图像：降噪
（2）获取图像的梯度信息：在获取图像的强度信息的同时，使用的是索贝尔算子来获取图像的梯度，计算方式是sum_sqrt，把y方向的求导值a和x方向的求导值b的平方和开根号，并除以4。通过这个方式求取出梯度图像。
（3）应用非最大抑制技术来消除边误检：最大抑制技术和在索贝尔算子里面介绍的thin函数相同，即在沿边缘方向中如果中心值最大，则保留这个值，否则该中心点置为0；通过这个方法，生成边缘图像。
（4）应用双阈值的方法来决定可能的边界：经过非极大抑制后的图像中仍然有很多噪声点。凯尼算法中应用了一种双阈值的技术。即设定一个阈值上界和阈值下界，通常由人为指定，图像中的像素点如果大于阈值上界则认为必然是边界，称为强边界；小于阈值下界则认为必然不是边界；两者之间的则认为是候选项，称为弱边界，弱边界需进行进一步处理。双阈值方法是凯尼算子的核心思路。
（5）利用滞后技术来跟踪边界。
滞后技术指的是和强边界八连通相连的弱边界认为是边界，其他的弱边界则被舍弃。
通过这5个步骤就获得了凯尼滤波的边界。

凯尼算子在边缘提取时，不会丢失重要的边缘，也不容易把噪声提取成边缘。抗噪声能力强，而且可以比较好地检测到较弱的背景边缘。凯尼算法对于不同分辨率的图像，不需要调节参数，可以统一进行检测，鲁棒性比较好。一般情况下，提取到的边缘和实际的边缘偏差很小，而且偏差一致。但是对于要精准求取边界的场景来说，偏差还是存在的。
在HALCON中使用edges_image函数来实现凯尼滤波，这个函数的参数中
edges_image(Image, ImaAmp, ImaDir, Filter, Alpha, NMS, Low, High)
第一个参数是：Image是待边缘滤波图像
第二个参数是：ImaAmp是边缘滤波的结果图像
第三个参数是：ImaDir是方向滤波的结果图像
第四个参数是：Filter是滤波方式
第五个参数是：Alpha是Alpha值， 在凯尼滤波中，Alpha值影响高斯滤波器的标准差，Alpha值越大图像越平滑
第六个参数是：NMS是非最大抑制类型，非极大值抑制就是掩膜大小是3，那么3x3矩阵中如果中心是极大值则全部3x3全部设为极大值，否则为0。
第七个参数是：Low是凯尼滤波双阈值的低阈值
第八个参数是：High是凯尼滤波双阈值的高阈值
如图6-27所示是素贝尔滤波和凯尼滤波的边缘滤波对比图，图6-28所示是原始图像。可以看到，凯尼滤波边缘的均一性更好，边缘的波动更小，这得益于非最大值抑制的效果。索贝尔滤波是根据相邻灰度数值计算出主体边缘，凯尼滤波是通过非最大值抑制获得的边缘，在噪声上索贝尔滤波会把一些噪声捕获为边缘，而凯尼滤波得益于高斯滤波，有效抑制了噪声。在运行时间方面,凯尼滤波的运算时间会比较长，大概是索贝尔滤波的5倍以上。

图像锐化

即补偿边缘，提高边缘高频信息，但是噪声也属于高频信息，所以锐化也会放大图像噪声。图像清晰用于增加图像的边缘的过度梯度，使得图像边缘锐利，不再平滑。

索贝尔锐化

索贝尔锐化是通过索贝尔滤波获取图像边缘，以边缘为界限获取到图像的非主边缘，同时消除非主边缘，达到锐化效果。
没有特点的函数，需要手动操作，比较复杂，这里暂时不做阐述

拉普拉斯锐化

依赖图像的变换程度（二阶导数）
laplace(Image, ImageLaplace, ResultType, MaskSize, FilterMask)
第一个参数：Image是需要变换的图像
第二个参数：ImageLaplace是变换后的图像
第三个参数：ResultType是结果图像的类型
ResultType分为六种类型：
（1）第一种absolute代表输出图像是绝对值数值，使用的是高斯滤波进行平滑。
（2）第二种signed_clipped代表带符号的输出图像深度与输入图像深度相同，使用的是
高斯滤波进行平滑。
（3）第三种 signed 代表输出图像是带正负符号的，且输出图像类型的深度比输入图像
大，使用的是高斯滤波进行平滑。
（4)第四种absolute_binomial代表使用二项式滤波进行平滑，输出图像是绝对值数值（5）第五种signed_clipped_binomial代表输出图像是带正负符号的，且输出图像深度与输入图像深度相同，使用的是二项式滤波进行平滑。
（6)第六种signed_binomial代表输出图像是带正负符号的，且输出图像类型的深度比
输入图像大，使用的是二项式滤波进行平滑。
FilterMask的掩膜有三种形式：
（1）第一种n_4对应于四邻域的二阶微分;
第四个参数：MaskSize是掩膜的尺寸
第五个参数：FilterMask是掩膜的类型
拉普拉斯提供了矩阵，以计算每个像素处的二阶微分

laplace的结果是模糊边缘(非主边缘，因为)，还需要用原图像减去模糊边缘才能得到锐化后的图像：

ImageLaplace：
例如：

laplace (Image, ImageLaplace, 'absolute', 3, 'n_4')
sub_image (Image, ImageLaplace, ImageSub, 1, 0)

但是减法得考虑溢出，即相减时某个值大于255了，所以先将图像转化为int2再相减后转化回来

laplace (Image, ImageLaplace, 'absolute', 3, 'n_4')
convert_image_type(Image, ImageConverted, 'int2')
sub_image (ImageConverted, ImageLaplace, ImageSub, 1, 0)
convert_image_type(ImageConverted, ImageConvertedByte, 'byte')

高通滤波锐化

高通滤波让高频正常通过，而低于设置临界值的低频信号则被阻断、减弱。
highpass_image(Image, Highpass, Width, Height)高通滤波函数
Width,Height表示掩膜大小
获取到高频（主边缘），与原图像相加从而锐化（与拉普拉斯锐化不一样）
使用highpass_image需手动转化类型并相加。

halcon也直接提供了高通滤波函数emphasize(Image, ImageEmphasize, MaskWidth, MaskHeight, Factor)
Factor是用于控制图像边界对比度强度。越大对比度越强

几种锐化方式对比

对于不太锐利的边缘，复杂的边缘，索贝尔锐化的涂抹感比较强。高通滤波比较好。拉普拉斯一般。