Halcon学习笔记之缺陷检测(二)

　　Halcon学习笔记之缺陷检测（二）

　　例程：detect_indent_fft.hdev

　　说明：这个程序展示了如何利用快速傅里叶变换（FFT）对塑料制品的表面进行目标（缺陷）的检测，大致分为三步：

　　首先，我们用高斯滤波器构造一个合适的滤波器（将原图通过高斯滤波器滤波）；

　　然后，将原图和构造的滤波器进行快速傅里叶变换；

　　最后，利用形态学算子将缺陷表示在滤波后的图片上（在缺陷上画圈）。

　　注：代码中绿色部分为个人理解和注释,其余为例程中原有代码 *Initialization（初始化）

　　dev_updata_off() //这一句包含如下三个算子：

　　//dev_updata_pc(‘off’) 关闭更新程序计数器//dev_updata_var(‘off’) 关闭更新变量窗口

　　//dev_updata_window(‘off’) 关闭更新图像窗口（即通过命令来显示想要在图像窗口显示的图片）

　　dev_close_window() //关闭活动的图像窗口

　　read_image(Image,’plastics

　　/

　　plastics_01’) //载入图片//参数说明：为读入图片命名（Image）// 文件名（’plastics/plastics_01’）

　　get_image_size(Image,Width,height) //获取图片的长宽；//参数说明：之前读入或生成的图片（Image）// 图片的宽（Width）// 图片的高（Height） dev_open_window(0,0,Width,Height,’Black’,WindowHandle) //打开一个新的图像窗口//参数说明：起始坐标（0,0）// 大小（Width,Height）// 背景颜色（’Black’）// 窗口句柄（WindowHandle）

　　set_display_font （WindowHandle,14,’mono’,’ture’,’false’）//设置不依赖操作系统的字体

　　//参数说明：窗口句柄（WindowHandle）

　　// 字体大小（14）

　　// 字体类型（’mono’）

　　// 是否黑体（’ture’）

　　// 是否倾斜（’false’）

　　dev_set_draw(‘Margin’) //定义区域填充模式//参数说明：填充模式（’Margin’或

　　者’Fill’）

　　dev_set_line_width（3） //设置输出区域轮廓线的线宽//可以修改参数来看最后缺陷区域标示

　　的区别

　　dev_set_color（’red’） //设置一种或者多种输出颜色

　　*

　　*Optimize the fft speed for the specific image size(根据指定图像大小进行fft速度最

　　优化)

　　optimize_rft_speed（Width,Height,’standard’） //对指定大小的图片的fft速度进行

　　优化//参数说明：图片大小（Width,Height）// 优化模式（’standard’）

　　*

　　*Construct a suitable filter by combining two Gaussian filters（结合两个高斯滤波

　　器构造一*个合适的滤波器）

　　Sigma1 := 10.0

　　Sigma2 := 3.0 //定义两个常量

　　gen_gauss_filter(GaussFilter1,Sigma1,Sigma1,0.0,’none’,’rft’,Width,Height)

　　//在频域生成两个高斯滤波器//参数说明：生成的高斯滤波器（GaussFilter）// 空域

　　中高斯在主方向上的标准差（Sigma）// 空域中高斯在正交于主方向的方向上的标准差

　　（Sigma）// 滤波器主方向的角度（0.0）// 滤波器的规范（’none’）

　　// 直流项在频域的位置（’rft’）// 图片的大小（Width,Height）

　　sub_image(GaussFilter1,GaussFilter2,Filter,1,0) //两图片相减（灰度）

　　//sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )//g' := (g1

　　- g2) * Mult + Add//以上为函数原型以及运算公式

　　*

　　*Process the images iteratively(对图像进行迭代运算)

　　NumImages := 11

　　For Index := 1 to NumImages by 1 //for循环从1到NumImages，步长为1

　　*

　　*Read an image and convert it to gray values

　　read_image(Image,’plastics/plastics_’+Index$’02’)

　　rgb1_to_gray(Image,Image) //将原图转化为灰度图，第一个参数为原图

　　*Perform the convolution in the frequency domain

　　rft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)//对计算一幅

　　图片实部进行快速傅里叶变换 //参数说明：输入的图片（Image） // 傅里叶变换

　　后输出的图片（ImageFFT） // 变换方向（’to_freq’或’from_freq’） // 变换因子的规范（’none’） // 输出图片的数据类型（’complex’） // 图片的宽（Width）

　　convol_fft(ImageFFT,Filter,ImageConvol) //对图片用一个滤波器在频域进行卷积运

　　算 //参数说明：输入的图片（ImageFFT） // 频域滤波器（Filter） // gen_gauss_filter(GaussFilter2,Sigma2,Sigma2,0.0,’none’,’rft’,Width,Height)

　　运算后输出的结果 rft_generic(ImageConcol,ImageFiltered,’from_freq’,’n’,’

　　real’,Width) //对滤波后的图片进行傅里叶反变换

　　*

　　*Process the filtered image

　　gray_range_rect(ImageFiltered,ImageResult,10,10)//用一个矩形掩膜计算像素点的灰

　　度范围 //参数说明：输入的图片（ImageFiltered） // 输出的灰度范围图

　　（ImageResult） // 矩形掩膜大小（10,10）

　　min_max_rect(ImageResult,ImageResult,0,Min,Max,Range)//判断区域内灰度值的最大

　　和最小值 //参数说明：待分析图片区域（ImageResult） // 图片（ImageResult）

　　// 被去除的直方图两边像素点所

　　// 占总像素数的百分比（0）

　　// 得到的最小值最大值及灰度值范围（Min,Max,Range）

　　threshold(ImageResult,RegionDynThresh,max([5.55,Max*0.8]),255)//利用全局阈

　　值对图像进行分割 //参数说明：输入的图片（ImageResult） // 分割后得到的

　　区域（RegionDynThresh） // 阈值（max([5.55,Max*0.8]),255）

　　// 公式：MinGray = MaxGray

　　connection(RegionDynThresh,ConnectedRegions) //计算区域内的连通部分 //参

　　数说明：输入的图片（RegionDynThresh） // 得到的连通区域

　　（ConnectedRegions）

　　select_shape (ConnectedRegions,SelectedRegions,’area’,’and’,4,99999)//根

　　据指定的形态特征选择区域

　　//参数说明：输入的图片（ConnectedRegions）

　　// 满足条件的区域（SelectedRegions）

　　// 将要计算的形态特征（’area’）

　　// 独立特征间的连接关系（’and’）

　　// 特征的最小限制（4）

　　// 特征的最大限制（99999）

　　union1(SelectedRegions,RegionUnion) //返回包含所有区域的集合 //参数说明：包

　　含所有区域的待计算区域的图片（tedRegions） // 所有输入区域合（RegionUnion）

　　closeing_circle(RegionUnion,RegionClosing,10)//用一个圆圈来封闭一个区域 //参

　　数说明：将要被封闭的区域（RegionUnion） // 被封闭的区域（RegionClosing）

　　// 圆圈的半径（10） connection(RegionClosing,ConnectedRegions1)

　　select_shape(ConnectedRegions1,SelectedRegions1,’area’,’and’,10,99999)

　　area_center(SelectedRegions1,Area,Row,Column) //计算区域的面积以及中心位置

　　//参数说明：待计算的区域（SelectedRegions1） // 区域的面积（Area） // 区域中心的行（Row） // 区域中心的列（Column）

　　*

　　*Display the results

　　dev_display(Image) //显示原图 Number := |Area| //将区域面积

　　赋给Number用于后面检查是否存在缺陷 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)//构造一

　　个与设定的圆弧或圆相一致的边界//参数说明：生成的边界（ContCircle）// 圆弧或圆

　　的中心坐标（Row,Cloumn）// 圆弧或圆的半径（gen_tuple_const(Number,30)）

　　// 圆弧或圆的起始角度（gen_tuple_const(Number,0)）// 圆弧或

　　圆的结束角度（gen_tuple_const(Number,rad(360))）// 不明白是什么意思// 相邻两点间的距离（1）

　　ResultMessage := [‘Not OK’,Number + ‘defect(s) found’]

　　Color := [‘red’,’black’]

　　dev_display(ContCircle) else

　　ResultMessage := ‘OK’

　　Color := ‘forest green’

　　endif

　　disp_message(WindowHandle,ResultMessage,’window’,12,12,Color,’ture’)

　　if(Index#NumImages)

　　disp_continue_message(WindowHandle,’black’,’ture’)

　　stop()

　　endif

　　endfor

　　算法讲解：在实际的表面缺陷检测系统中，针对的检测表面很多是

　　具有一定纹理的比如：布匹、皮革、塑料等，针对这一类表面的检测就

　　不能单纯依靠帧差或者背景差来完成，因为背景的纹理不可能和当前图

　　像的纹理完全相同。因此，本例程的算法通过将图像变换到频域进行处

　　理，提取缺陷分量后反变换到时域，获得缺陷的具体位置。

　　高斯滤波器：在本算法中，在一开始就构造了两个高斯滤波器，高

　　斯滤波器是一种线性平滑滤波器，适用于消除高斯噪声。滤波器的实质

　　是对信号进行滤波，滤除不需要的部分，得到想要的部分。一个低通的

　　滤波器可以滤除高频信号，对于图像来说，噪声和边缘往往集中在高频

　　分量，因此低通能够降噪，但是也能造成图像的模糊。

　　本文关键：本文的关键就是使用两个低通滤波器，进行相减后构造

　　了一个带阻滤波器来提取缺陷分量。这就需要保证在实际的待检测表面

　　中缺陷所处的频率范围要和背景以及噪声有明显的差异，并且带阻的频

　　率选择要合适。通过带阻滤波后获得的频率成分对背景中的纹理要有明显的抑制，并且突出缺陷成分，进行傅里叶反变换后重构的图像就是缺陷图像，经过简单的分割就能很容易得到缺陷了。