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。