halcon模板匹配实践（6）差异模型

Variation Model的主要原理是将待检测的图像与一张标准图像作比较，找出待检测图像与标准图像（idealimage）的明显差异（也就是不良）。标准图像可以采用几张OK品的图像训练（training）得到，也可以通过对一张OK品图像进行处理得到。训练后得到标准图像和一张variation图像（variationimage），variation图像中包含了图像中每个像素点灰度值允许变化的范围。标准图像和variation图像用来创建一个variationmodel，如此，其他图像就可以与variationmodel作比较了。

 

1、create_variation_model( : : Width, Height, Type, Mode : ModelID)

输入参数：width、Height是模板和待检测图像的尺寸。

输入参数：Type，是图像的类型。

输入参数：Model，决定如何计算idealimage和variationimage，其有三种模式

1)、standard，该模式下，可以使用算子train_variation_model对多张图片进行迭代训练，此时ideal image是通过计算多张图片的平均值获得，variation image是通过计算多张图片的标准方差获得。该模式的优点是可以迭代计算多张good image，缺点是在训练图片时，一旦有不良的图片混入会导致算法检测时出现误判。

注意：在训练多张图片时，每张图片的位置、角度都必须一致，可使用基于形状匹配来进行定位处理，然后再进行训练train_variation_model

2)、'robust'，如果在训练多张图片时，无法避免训练的图片中出现未知瑕疵，可以使用该模式。此时，ideal image时通过计算多张图片的中值获得，variation image也是通过计算多张图片中值获得。该模式的优点是鲁棒性更强，缺点是无法进行迭代预算。

注意：训练多张张图片时，每张图片的位置、角度必须一致，然后使用concat_obj将图片组合起来，在使用train_variation_model进行训练。

以上两种模式下，训练完图片后只能使用prepare_variation_model算子准备用于图像比较的模板。

3)、'direct'，该模式下，可以使用一张图片训练，并不需要使用train_variation_model训练模板，但只能使用prepare_direct_variation_model准备模板，并且prepare_direct_variation_model中的RefImage,就是模板图像，而 VarImage必须通过其他边缘算子生成如，sobel_amp,edges_image, or gray_range_rect.，或者自己制造一个边缘（见Halcon12例程variation_model_single）

---

2、train_variation_model(Images : : ModelID : )

训练Variation Model。

---

3、get_variation_model( : Image, VarImage : ModelID : )

返回variation model中的标准图像（Image）和variation image（VarImage），此算子主要用来检视创建的variation model是否OK。

---

4、prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )

      prepare_direct_variation_model(RefImage, VarImage : : ModelID, AbsThreshold, VarThreshold : )

这两个算子的作用是准备用于比较图片的模板，其不同在上文已说明。

输入参数：ModelID，训练或生成的模板。

输入参数：AbsThreshold，绝对阈值。

输入参数：VarThreshold ，相对阈值。

AbsThreshold，VarThreshold 可以分别有一个值，也可以分别有两个值。当都只有一个值的时候，亮暗缺陷都是其决定的。

i（x,y）表示ideal image灰度值，v(x,y)表示variation image灰度值，c(x,y)表示待检测图片的灰度值，a=AbsThreshold,b=VarThreshold

当c(x,y)>i（x,y）+ max{a,b*v(x,y)}为亮缺陷。

当c(x,y)

当AbsThreshold，VarThreshold有两个值时，第一个值决定亮缺陷，第二个值决定暗缺陷。

i（x,y）表示ideal image灰度值，v(x,y)表示variation image灰度值，c(x,y)表示待检测图片的灰度值，AbsThreshold=[a1,a2],VarThreshold =[b1,b2]

当c(x,y)>i（x,y）+ max{a1,b1*v(x,y)}为亮缺陷。

当c(x,y)

---

5、compare_variation_model(Image : Region : ModelID : )

输入参数：Image，该图像为待检测图像，需要注意的是，该图像也必须与模板图像对齐。待检测图像与variation model进行比较，超过阈值的区域在Rgion参数中返回。同threshold一样，返回的区域被看做一个区域，可以使用connection算子进行连通性分析，然后根据区域的特征（如面积）对区域进行选择。

输出参数：Region，检测出来的区域。输入参数：ModelID，准备好的模板ID。

---

6、compare_ext_variation_model(Image : Region : ModelID, Mode : )

该算子是算子compare_variation_model的拓展，其参数 MODE可以控制输出暗或亮缺陷或者都输出

7、clear_train_data_variation_model( : : ModelID : )

清除variation model的训练数据所占用的内存。

8、clear_variation_model( : : ModelID : )

释放一个variation model的内存空间

 

官方案例：

print_check.hdev

stamp_catalogue.hdev

variation_model_single.hdev

variation_model_illumination.hdev

 

总结：

Variation Model使用标准图像与待检测图像灰度值相比较，来判断产品是否OK，适用于印刷品检测及产品表面检测。从实际算法过程可以看出，此检测实际可分为两部分，对于图像中的大面积灰度一致区域，主要利用待检测图像与标准图像（ideal image)比较得出差异区域，对于图像中的边缘位置（edges）区域，主要利用待检测图像与Variation图像（variation image）比较得出差异区域。所以在实际应用中，应根据实际情况设置AbsThreshold和VarThreshold的值。