halcon 入门教程（六） 缺陷检测
原文作者：aircraft原文链接：https://www.cnblogs.com/DOMLX/p/18785484
有兴趣可以多看其他的halcon教程
halcon 学习教程目录
本篇主要讲一些常见的缺陷检测方法，目前只会讲一些，后面有空的话会不断的补充完整。因为缺陷的种类实在太多太多了，各种各样的缺陷可能都要用各种不同的检测方法去检测，所以想要精通缺陷检测特别难，基本大家都是熟悉自己经常遇到的缺陷领域。
第一种：就是最常见的Blob分析加上特征提取（本篇也会多给一些这个示例。因为确实是最基础也是最常用的，用的好你可能百分之八九十的缺陷都可以检测，主要还是看对这块的理解）
第二种：图像匹配定位后再加Blob分析，可以结合本篇的Blob分析和我下一篇的：halcon 入门教程（六） 图像匹配（基于形状的模板匹配）与缺陷检测区域定位
第三种：建立模板区域的差异模型，原理就是后面所有的产品都与一个标准品做差异模型，可以差异的程度对其判断NG,OK。可以看我这篇博客理解：halcon 入门教程 （七） halcon中是怎么实现半导体/Led中的GoldenDie的检测方法的 基于局部可变形模板匹配 variation_model模型或者用差异模型去提取缺陷的位置，然后再用深度学习分类去分类，再或者提取了缺陷的位置裁剪了给深度学习的目标检测去检测，都行，都是可行的思路
第四种：光度立体法（基本属于2.5d的视觉范围了，适用于一些物体表面有凹凸情况下的检测，通过多个角度方向的打光图片，来获取伪3d的信息进行缺陷检测）
第五种：图像匹配定位后再加测量（比如一些钢管，或者元器件表面的某个东西的长度，宽度，厚度，半径之类的达不达标），可以结合halcon 入门教程（六） 图像匹配（基于形状的模板匹配）与缺陷检测区域定位 和 halcon 入门教程（三） 测量量测相关（点到线距离，线到线距离，轮廓线距离，一维测量，圆形测量，矩形测量等）这两篇来看，组合起来基本就是这种检测方法了。
第六种：机器学习和深度学习的缺陷检测（基本都是通过标记好的和坏的训练集，给神经网络程序训练学习，学习成功后，后面只要传入该产品图，或者某个区域图，便可以直接给出判断好坏，甚至处理一下可以把具体缺陷都标注显示出来）
有兴趣可以看看我这篇博客：halcon 深度学习教程（一）分类检测 （工业里如何使用halcon深度学习去检测分类产品）和
halcon 深度学习教程（三） 目标检测之水果分类 （halcon深度学习缺陷检测方法） （工业里如何使用halcon深度学习去进行缺陷检测或者分类产品）
第七种：空域和频域分析（适用于一些像皮革，木材，纹理石板之类的对比度低的产品上去进行检测）
第八种：三维重建后再加特征提取（属于3d视觉的领域了，会多一些诸如高度或者说深度信息）
然后这边说一下目前主流的工业的缺陷检测基本主流就是三种：
第一种：就是绘制需要检测的区域，用Blob分析加上特征提取分别去卡控每个区域的瑕疵来判断NG-OK。
第二种：对需要检测的物体或者区域建立差异模型，进行差异分析判断NG-OK.
第三种：使用深度学习的分类或者目标检测，对晶圆进行分类，对瑕疵进行目标检测。然后结果进行NG-OK的判定。
实际使用中最好你的算法里三种都有，然后结合一种或者两种或者三种分别的结果一起去卡控判断，这样基本就可以符合不管是半导体，面板，LED等行业的缺陷检测了。
下面一些算子的原型我就不介绍了，有看过前面教程的应该都认识这些常用的算子了。而且每个示例代码我都打了非常详细的注释，基本看着注释应该是可以理解的吧。
一.Blob分析加上特征提取
示例1：榛子威化饼的质量检测
OK图：
NG图：
示例代码：
* *************************************************************
* 本程序演示针对榛子威化饼的质量检测
* 检测方法：基于形态学处理提取目标区域，通过孔洞面积和矩形度进行缺陷判断
* 工业应用：食品包装完整性检测（破损、变形检测）
* 检测标准：孔洞面积>300 或 矩形度<0.92 判定为不合格
* *************************************************************
* 初始化图像和显示窗口
read_image (Image, 'food/hazelnut_wafer_01')
* 关闭可能存在的旧窗口
dev_close_window ()
* 创建自适应图像尺寸的显示窗口
dev_open_window_fit_image (Image, 0, 0, -1, -1, WindowHandle)
* 禁止窗口自动更新（提升执行效率）
dev_update_window ('off')
* 设置可视化参数
* 线宽3像素用于突出显示轮廓
dev_set_line_width (3)
* 轮廓显示模式（节省显示资源）
dev_set_draw ('margin')
* 设置等宽字体便于字符对齐
set_display_font (WindowHandle, 20, 'mono', 'true', 'false')
* 处理24张连续拍摄的威化饼图像
for Index := 1 to 2 by 1
* 读取序列图像（文件名格式：1~2.bmp）
read_image (Image, Index+'.bmp')
* 图像预处理
* 使用直方图平滑法进行二值化（适合低对比度场景）
binary_threshold (Image, Foreground, 'smooth_histo', 'light', UsedThreshold)
* 8.5像素半径开运算去除毛刺和小孔洞
opening_circle (Foreground, FinalRegion, 8.5)
* 特征提取
* 计算区域内部孔洞总面积（关键缺陷指标）
area_holes (FinalRegion, AreaHoles)
* 计算区域矩形度（1为完美矩形，值越小变形越严重）
rectangularity (FinalRegion, Rectangularity)
* 显示原始图像
dev_display (Image)
* 质量判定逻辑
* 孔洞超标或形状变形时显示红色报警
if (AreaHoles > 300 or Rectangularity < 0.92)
dev_set_color ('red')
Text := 'Not OK'
* 合格产品显示绿色轮廓
else
dev_set_color ('forest green')
Text := 'OK'
endif
* 显示检测结果
dev_display (FinalRegion)
* 在窗口左上角显示OK/NG状态
disp_message (WindowHandle, Text, 'window', 12, 12, '', 'false')
* 非最后一张图像时暂停观察
if (Index < 2)
* 显示继续检测提示
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 模拟产线节拍控制
endif
endfor
示例2：鳍片检测程序（fin.hdev） 利用形态学分析与差异模型检测
两张边缘有凸出的图片：
通过提取白色背景区域，然后进行闭运算将区域边缘小凸出闭合，然后与原始区域做个差异，得到缺陷位置，在进行开运算，消除多提出来的边的区域。
结果图：
实例代码：
* *************************************************************
* 鳍片检测程序（fin.hdev）
* 功能：通过形态学处理检测金属鳍片缺陷
* 检测逻辑：
* 1. 二值化分离前景
* 2. 闭运算填充结构间隙
* 3. 差异检测潜在缺陷区域
* 4. 开运算去除噪声
* 工业应用：散热器制造质检
* *************************************************************
* 关闭窗口自动刷新（提升执行效率）
dev_update_window ('off')
* 读取鳍片图像序列（fin2, fin3）
read_image (Fins, 'fin' + )
* 初始化显示窗口
get_image_size (Fins, Width, Height)
dev_close_window ()
* 创建与图像等大的黑色背景窗口
dev_open_window (0, 0, Width, Height, 'black', WindowID)
* 设置等宽字体便于信息对齐
set_display_font (WindowID, 14, 'mono', 'true', 'false')
* 遍历处理3个检测对象（实际图像为2张，索引从1开始）
for I := 1 to 2 by 1
* 选择当前处理对象
select_obj (Fins, Fin, I)
* 显示原始图像
dev_display (Fin)
* 步骤1：二值化分割（最大化前景背景可分性）
binary_threshold (Fin, Background, 'max_separability', 'light', UsedThreshold)
* 蓝色显示初始分割结果
dev_set_color ('blue')
dev_set_draw ('margin')
dev_set_line_width (4)
dev_display (Background)
disp_continue_message (WindowID, 'black', 'true')
stop ()
* 质检员确认阶段结果
* 步骤2：大半径闭运算填充结构间隙
closing_circle (Background, ClosedBackground, 250)
* 绿色显示填充后区域
dev_set_color ('green')
dev_display (ClosedBackground)
disp_continue_message (WindowID, 'black', 'true')
stop ()
* 确认形态学处理效果
* 步骤3：差异检测（理想结构与实际结构对比）
difference (ClosedBackground, Background, RegionDifference)
* 步骤4：开运算去除微小噪声
opening_rectangle1 (RegionDifference, FinRegion, 5, 5)
* 显示最终检测结果
dev_display (Fin)
* 原始图像背景
dev_set_color ('red')
* 红色高亮缺陷
dev_display (FinRegion)
* 叠加缺陷区域
* 计算缺陷区域特征
area_center (FinRegion, FinArea, Row, Column)
* 非最后一张图像时暂停
if (I < 2)
disp_continue_message (WindowID, 'black', 'true')
stop ()
* 模拟产线节拍等待
endif
endfor
示例3：塑料网缺陷检测程序 使用动态阈值检测塑料网中的异常纹理区域 原图与均值图比对 提取出比均值图还暗的多的缺陷区域出来
两张测试的原图：
实例代码：
* *************************************************************
* 塑料网缺陷检测程序
* 功能：使用动态阈值检测塑料网中的异常纹理区域
* 检测逻辑：
* 1. 图像平滑处理消除纹理干扰
* 2. 动态阈值分割异常区域
* 3. 连通域分析与面积筛选
* 工业应用：塑料编织品质量检测
* *************************************************************
* 关闭窗口自动更新（提升执行效率）
dev_update_window ('off')
* 读取塑料网基准图像（用于窗口初始化）
read_image (Image, 'plastic_mesh_'+)
* 初始化显示窗口
dev_close_window ()
get_image_size (Image, Width, Height)
dev_open_window_fit_image (Image, 0, 0, Width, Height, WindowHandle)
* 设置可视化参数
* 等宽字体便于信息对齐
set_display_font (WindowHandle, 18, 'mono', 'true', 'false')
* 轮廓显示模式（节省显示资源）
dev_set_draw ('margin')
* 设置检测结果轮廓线宽
dev_set_line_width (3)
* 处理两张塑料网图像序列
for J := 1 to 2 by 1
* 读取当前检测图像（文件名格式：plastic_mesh_1.bmp~plastic_mesh_2.bmp）
read_image (Image, 'plastic_mesh_' + J+'.bmp')
* 图像预处理：49x49均值滤波（消除高频纹理干扰）
mean_image (Image, ImageMean, 49, 49)
* 动态阈值分割（检测比背景暗5个灰度级的异常区域）
dyn_threshold (Image, ImageMean, RegionDynThresh, 5, 'dark')
* 连通域分析（分离独立缺陷区域）
connection (RegionDynThresh, ConnectedRegions)
* 面积筛选（过滤500像素以下的噪声）
select_shape (ConnectedRegions, ErrorRegions, 'area', 'and', 500, 99999)
* 统计缺陷数量
count_obj (ErrorRegions, NumErrors)
* 显示原始图像和检测结果
dev_display (Image)
dev_set_color ('red')
* 红色高亮缺陷
dev_display (ErrorRegions)
* 判定结果输出
if (NumErrors > 0)
* 显示NG标识（位置：第24行，第12列）
disp_message (WindowHandle, 'Mesh not OK', 'window', 24, 12, 'black', 'true')
else
* 显示OK标识
disp_message (WindowHandle, 'Mesh OK', 'window', 24, 12, 'black', 'true')
endif
* 非最后一张图像时显示继续提示
if (J < 2)
disp_continue_message (WindowHandle, 'black', 'true')
stop ()
* 模拟产线节拍控制
endif
endfor
结果图：
划痕检测的还可以看看这篇surface_scratche.hdev：
OK，这里先写这几个，还有更多的都在halcon的官方案例集里，右边那一堆都是。
二.空域和频域结合的缺陷检测
这里主要的案例都来自halcon程序集的快速傅里叶变换，有兴趣详细了解的，就可以去看看。就如我一直在说的，halcon里的实例就是自己最好的老师。
先大概了解一下这个东西：
一、图像的两个视角：空间域 vs 频域
1. 空间域（你看到的图像）
[*]是什么：图像由像素组成，每个像素代表某个位置的亮度值。
[*]直观理解：就像你看到的一张照片，每个点直接显示颜色或明暗。
[*]工业应用：直接观察表面划痕、颜色异常等（但复杂纹理中的小缺陷难以直接看到）。
2. 频域（图像的“成分分析”）
[*]是什么：将图像分解为不同频率的波（高频=细节/边缘，低频=整体形状）。
[*]直观理解：像把音乐分解成不同频率的音符，高频是鼓点，低频是贝斯。
[*]工业应用：检测周期性纹理中的异常（如织物瑕疵、注塑件表面缺陷）。
二、快速傅里叶变换（FFT）是什么？
[*]核心作用：快速将图像从空间域转换到频域（反之亦可）。
[*]为什么快：优化算法，计算复杂度从O(n²)降到O(n log n)，适合实时检测。
三、HALCON中的FFT操作步骤（以检测塑料表面缺陷为例）
1. 读取图像
read_image (Image, 'plastics_01.jpg')* 读取塑料件表面图像2. 转换到频域
* 执行FFT（空间域→频域）
fft_image (Image, ImageFFT)* 输出是复数图像（实部+虚部）3. 频域滤波（增强缺陷）
* 生成高斯低通滤波器（抑制背景纹理）
gen_gauss_filter (Filter, 20, 20, 0, 'none', 'rft', Width, Height)
* 频域相乘（保留高频=缺陷，抑制低频=背景）
convol_fft (ImageFFT, Filter, FilteredFFT)4. 转换回空间域
* 逆FFT（频域→空间域）
fft_image_inv (FilteredFFT, ImageFiltered)* 得到增强后的图像5. 缺陷检测
threshold (ImageFiltered, Defects, 120, 255)* 阈值分割
connection (Defects, ConnectedRegions) * 连通区域分析四、频域分析在工业中的典型应用
1. 周期性纹理检测（如织物、金属网）
[*]问题：直接观察难以发现断丝、孔洞。
[*]解决：通过FFT找到异常频率成分。
2. 表面微小缺陷增强
[*]问题：划痕与背景纹理对比度低。
[*]解决：抑制背景纹理（低频），增强缺陷（高频）。
3. 振动分析
[*]问题：机械振动导致图像模糊。
[*]解决：在频域分离振动频率成分并修复。
五、关键注意事项
1. 图像尺寸要求
[*]FFT对图像尺寸敏感，最佳性能要求尺寸为2的幂次（如512x512）。
[*]HALCON会自动填充：optimize_rft_speed函数优化处理速度。
2. 滤波器设计
[*]低通滤波：gen_gauss_filter（抑制高频噪声）。
[*]高通滤波：gen_derivative_filter（增强边缘）。
[*]带阻滤波：组合高低通滤波器（去除特定频率噪声）。
3. 结果可视化
[*]查看频谱图：
power_real (ImageFFT, PowerSpectrum)* 计算功率谱
dev_display (PowerSpectrum) * 显示频域能量分布亮点表示强频率成分（如周期性纹理）。
六、完整代码示例（塑料表面缺陷检测）
dev_update_off ()
read_image (Image, 'plastics_01.jpg')
get_image_size (Image, Width, Height)
dev_open_window (0, 0, Width, Height, 'black', WindowHandle)
* FFT转换到频域
fft_image (Image, ImageFFT)
* 设计高斯滤波器（抑制低频背景）
gen_gauss_filter (Filter, 15, 15, 0, 'none', 'rft', Width, Height)
convol_fft (ImageFFT, Filter, FilteredFFT)
* 逆FFT转回空间域
fft_image_inv (FilteredFFT, ImageFiltered)
* 缺陷分割与显示
threshold (ImageFiltered, Defects, 100, 255)
connection (Defects, ConnectedRegions)
dev_display (Image)
dev_set_color ('red')
dev_display (ConnectedRegions)七、总结
[*]FFT在工业中的价值：将肉眼难见的纹理异常转化为可检测的信号。
[*]学习建议：从简单滤波开始，逐步尝试带通/带阻滤波，观察频域图的变化。
[*]调试技巧：通过power_real可视化频域，调整滤波器参数观察缺陷检测效果。
[*]适用于具有一定纹理特征的图像，纹理可以理解为条纹，如布匹、木板、纸张等材质容易出现。
[*]适用于需要提取对比度低或者信噪比低的特征。
OK，接下来学习一下主要运用到的算子
1.空域转频域算子fft_image(Image : ImageFFT : : )详解：
[*]输入参数：
[*]Image：输入图像（必须为单通道灰度图像）。
[*]输出参数：
[*]ImageFFT：频域图像（复数形式，包含实部和虚部）。
工作原理
[*]复数图像结构：
[*]ImageFFT包含两个通道：可通过get_image_size查看通道数：Channels := 2
[*]第一个通道：实部（Real Part）
[*]第二个通道：虚部（Imaginary Part）
[*]
[*]频域特性：
[*]低频分量集中在图像中心（整体形状、背景纹理）。
[*]高频分量分布在四周（细节、边缘、噪声）。
工业应用示例（塑料表面缺陷检测）
场景描述
[*]问题：注塑件表面有微小划痕，但背景有周期性纹理干扰。
[*]目标：通过FFT抑制背景纹理，增强缺陷。
代码流程
* 1. 读取图像并预处理
read_image (Image, 'plastics_01.jpg')
rgb1_to_gray (Image, GrayImage)* 确保输入是灰度图
* 2. 优化FFT计算速度（关键步骤！）
optimize_rft_speed (Width, Height, 'standard')* 自动填充至最优尺寸
* 3. 执行FFT转换到频域
fft_image (GrayImage, ImageFFT)
* 4. 频域滤波（示例：高斯带阻滤波）
gen_gauss_filter (GaussFilter, 15, 15, 0, 'none', 'rft', Width, Height)
convol_fft (ImageFFT, GaussFilter, FilteredFFT)
* 5. 逆FFT转回空间域
fft_image_inv (FilteredFFT, ImageFiltered)
* 6. 缺陷检测
threshold (ImageFiltered, Defects, 100, 255)
connection (Defects, ConnectedRegions)关键注意事项
1. 图像尺寸优化
[*]问题：FFT对图像尺寸敏感，非2的幂次时速度慢。
[*]解决：使用optimize_rft_speed自动填充至最优尺寸。
get_image_size (Image, Width, Height)
optimize_rft_speed (Width, Height, 'standard')* 第三个参数可选：
* 'standard'（平衡速度/内存）
* 'explore'（深度优化）2. 输入数据类型
[*]必须：输入图像为byte、uint2或real类型。
[*]建议：转换到real类型避免精度损失：
convert_image_type (GrayImage, ImageReal, 'real')
fft_image (ImageReal, ImageFFT)3. 滤波器设计
[*]低频抑制（去背景）：
* 大σ值高斯滤波器（σ=20）
gen_gauss_filter (LowPassFilter, 20, 20, 0, 'none', 'rft', Width, Height)高频增强（提取缺陷）：
* 高斯带阻滤波（抑制特定频率）
gen_gauss_filter (BandStopFilter, 10, 10, 0, 'none', 'rft', Width, Height)4. 结果可视化
power_real (ImageFFT, PowerSpectrum)* 计算功率谱（实部² + 虚部²）
dev_display (PowerSpectrum) * 显示亮度表示能量强度常见问题解答
Q1：直接显示ImageFFT为什么是乱码？
[*]原因：频域图像是复数，无法直接显示。
[*]正确方法：需计算幅度谱或功率谱：
fft_image (Image, ImageFFT)
power_real (ImageFFT, PowerSpectrum)
dev_display (PowerSpectrum)Q2：如何检测周期性缺陷？
[*]步骤：
[*]在功率谱中查找对称亮斑。
[*]设计带阻滤波器消除对应频率。
[*]逆FFT后检测剩余异常区域。
Q3：处理速度慢怎么办？
[*]优化措施：
[*]使用optimize_rft_speed优化尺寸。
[*]选择fft_generic的快速模式：
fft_generic (Image, ImageFFT, 'to_freq', 'explore', 'complex', Width)总结
[*]核心价值：fft_image将图像转换到频域，使周期性纹理和微小缺陷更易分离。
[*]典型应用：
[*]消除背景纹理干扰（如金属网、织物）
[*]增强低对比度缺陷（如塑料划痕）
[*]振动模糊校正（如高速生产线图像修复）
通过合理设计滤波器，您可以在频域中“过滤”掉不需要的信息，显著提升缺陷检测的准确性。
2.生成高斯滤波器算子gen_gauss_filter( : ImageGauss : Sigma1, Sigma2, Phi, Norm, Mode, Width, Height : )详解：
功能描述
[*]作用：生成高斯滤波器（或高斯导数滤波器），用于频域或空域滤波。
[*]典型应用：
[*]抑制周期性背景纹理（如金属网、织物）
[*]增强微小缺陷（如塑料划痕、电子元件焊点缺陷）
[*]图像平滑去噪（保留边缘）
参数
类型说明工业检测调参建议ImageGauss输出对象生成的高斯滤波器图像-Sigma1实数X方向的标准差（控制滤波器的横向扩展）根据目标特征尺寸设置（例：缺陷宽度=20像素 → Sigma1=10）Sigma2实数Y方向的标准差（控制滤波器的纵向扩展）通常与Sigma1相同（各向同性滤波）Phi实数滤波器的旋转角度（弧度）0（无旋转）或根据纹理方向设置（如45°=0.785 rad）Norm字符串标准化模式：
'none'：不标准化
'n'：归一化到单位能量频域滤波用'none'，空域滤波用'n'Mode字符串滤波器模式：
'rft'：频域滤波器（复数）
'dc_center'：空域滤波器频域处理必选'rft'Width整数滤波器宽度（需与待处理图像等宽）通过get_image_size获取原图尺寸Height整数滤波器高度（需与待处理图像等高）同上
[*]
[*]
（例：划痕宽度6像素 → Sigma=2）
2. Mode='rft'
[*]频域滤波器特性：必须与图像等尺寸：
[*]生成复数滤波器（实部+虚部），直接用于FFT频域乘法
[*]滤波器中心在图像左上角（FFT标准布局）
[*]
get_image_size (Image, Width, Height)
gen_gauss_filter(..., Width, Height)3. Norm='none'
[*]频域滤波不推荐归一化：
[*]保持滤波器的绝对强度
[*]避免频域相乘后能量损失
工业应用案例：塑料表面划痕检测
场景描述
[*]问题：塑料件表面有细微划痕，但存在网状纹理背景干扰。
[*]目标：抑制网状纹理，增强划痕特征。
解决方案
[*]生成带阻高斯滤波器（抑制特定频率的网状纹理）
[*]频域滤波后检测缺陷
代码示例
* 1. 读取图像并转换为灰度
read_image (Image, 'plastic_mesh_01.jpg')
rgb1_to_gray (Image, GrayImage)
* 2. 获取图像尺寸
get_image_size (GrayImage, Width, Height)
* 3. 生成高斯带阻滤波器（抑制网状纹理）
Sigma1 := 25.0* 抑制低频（对应网状纹理周期50像素）
Sigma2 := 3.0 * 保留高频（划痕特征）
gen_gauss_filter (GaussFilter, Sigma1, Sigma2, 0, 'none', 'rft', Width, Height)
* 4. 频域滤波处理
fft_image (GrayImage, ImageFFT)
convol_fft (ImageFFT, GaussFilter, FilteredFFT)
fft_image_inv (FilteredFFT, ImageFiltered)
* 5. 检测划痕
threshold (ImageFiltered, Scratches, 50, 255)
dev_display (Scratches)滤波器效果可视化
* 查看频域滤波器形状
power_real (GaussFilter, PowerSpectrum)
dev_display (PowerSpectrum)* 显示为中央暗区（抑制低频）+周边亮环（保留高频）参数调优技巧
1. 确定Sigma值
[*]步骤：
[*]对正常样本做FFT，观察功率谱中的亮斑（背景纹理频率）
[*]测量亮斑到中心的距离D（像素）
[*]设置Sigma = D/2
2. 方向性滤波（Phi调整）
[*]应用场景：当缺陷具有方向性时（如平行划痕）
[*]设置方法：
* 检测到划痕方向为60度
Phi := rad(60)* 转换为弧度
gen_gauss_filter(..., Phi, ...)* 生成旋转滤波器3. 多尺度滤波
* 组合不同Sigma值检测多尺寸缺陷
for Sigma := do
gen_gauss_filter(..., Sigma, Sigma, ...)
convol_fft(...)
* 各尺度结果融合
endfor常见问题解决
Q1：滤波器处理后图像变暗
[*]原因：低频成分被过度抑制。
[*]解决：使用带通滤波（高斯相减）：
* 生成两个高斯滤波器相减
gen_gauss_filter (Gauss1, 30, 30, ...)
gen_gauss_filter (Gauss2, 10, 10, ...)
sub_image (Gauss1, Gauss2, BandPassFilter, 1, 0)Q2：处理后出现振铃效应
[*]原因：滤波器边缘陡峭导致吉布斯现象。
[*]解决：增大Sigma值使滤波器过渡平滑。
Q3：滤波后缺陷丢失
[*]原因：Sigma设置过小导致缺陷频率被滤除。
[*]调试：逐步增大Sigma值，观察频域功率谱变化。
总结
参数调整策略Sigma1根据背景纹理周期设置，越大抑制的低频越多Sigma2根据缺陷尺寸设置，越小保留的高频细节越多Phi沿缺陷方向设置（需先进行方向分析）Norm频域滤波始终用'none'，空域滤波用'n'尺寸必须与输入图像等大（通过get_image_size获取）通过合理设置高斯滤波器参数，可以有效分离背景纹理与目标缺陷，提升工业视觉检测的准确性和鲁棒性。建议配合power_real可视化频域滤波器特性，进行参数调优验证。
3.频域卷积算子convol_fft(ImageFFT, ImageFilter : ImageConvol : : )详解：
功能描述
[*]核心作用：在频域中执行两个图像的卷积运算（等效于空域的滤波操作）。
[*]数学原理：频域卷积 = 频域图像 × 频域滤波器（复数乘法）。
[*]优势：比空域卷积快100倍以上（尤其适合大尺寸滤波器或图像）。
参数说明
参数类型说明工业检测注意事项ImageFFT输入经过FFT变换的输入图像（复数形式，实部+虚部）必须通过fft_image生成ImageFilter输入频域滤波器（需与ImageFFT同尺寸，复数形式）常用高斯滤波器gen_gauss_filter生成ImageConvol输出卷积结果（复数频域图像）需逆FFT转换回空间域使用
工业应用场景（金属表面划痕检测）
场景需求
[*]问题：金属板表面有细微划痕，但存在周期性加工纹理（低频背景）。
[*]目标：抑制背景纹理，增强划痕特征。
处理流程
* 1. 读取图像并转换到频域
read_image (Image, 'metal_surface_01.jpg')
rgb1_to_gray (Image, GrayImage)
fft_image (GrayImage, ImageFFT)* 转换到频域
* 2. 生成高通高斯滤波器（增强高频缺陷）
gen_gauss_filter (Filter, 5, 5, 0, 'none', 'rft', Width, Height)
* 3. 频域卷积（等效于空域滤波）
convol_fft (ImageFFT, Filter, ImageConvol)
* 4. 逆FFT转回空间域
fft_image_inv (ImageConvol, ImageFiltered)
* 5. 检测划痕
threshold (ImageFiltered, Scratches, 80, 255)
dev_display (Scratches)频域卷积效果
[*]输入频谱：ImageFFT包含金属纹理（低频中心亮区）+ 划痕（高频边缘）。
[*]滤波器：高通滤波器（中央暗区，周边亮环）。
[*]输出频谱：抑制低频纹理，保留高频划痕信号。
关键参数详解
1. 滤波器设计策略
滤波器类型生成方法适用场景低通gen_gauss_filter大Sigma（如30）抑制高频噪声（如电子元件毛刺）高通1 - 低通滤波器增强边缘/划痕带阻高斯1 - 高斯2（不同Sigma）消除特定频率干扰（如网格纹理）带通高斯低通 - 高斯高通提取特定尺寸特征2. 性能优化
[*]尺寸匹配：确保ImageFFT和ImageFilter尺寸相同（通过get_image_size验证）。
[*]预处理加速：
optimize_rft_speed (Width, Height, 'standard')* 自动填充至最优尺寸典型问题解决方案
问题1：处理后出现振铃伪影
[*]原因：滤波器边缘陡峭导致吉布斯现象。
[*]解决：
* 使用渐变高斯滤波器（边缘平滑）
gen_gauss_filter (Filter, 15, 15, 0, 'none', 'rft', Width, Height)问题2：缺陷信号被过度抑制
[*]现象：阈值分割后缺陷区域消失。
[*]调试步骤：
[*]检查滤波器类型（误用低通会抑制缺陷）。
[*]可视化功率谱：
power_real (ImageConvol, PowerSpectrum)
dev_display (PowerSpectrum)* 确认缺陷频率是否保留与空域卷积的对比
特性频域卷积 (convol_fft)空域卷积 (convol_image)速度O(n log n) → 快（大核优势）O(n²m²) → 慢（m为滤波器尺寸）适用场景大尺寸滤波器（>15x15）小尺寸滤波器（5的像素（增强后的划痕区域）threshold (Lines, Region, 5, 255)* 【4.2 连通域分析】 * 分离不连续的候选区域connection (Region, ConnectedRegions)* 【4.3 区域筛选】 * 保留面积5-5000像素的候选区域（过滤噪声和大面积背景）select_shape (ConnectedRegions, SelectedRegions, 'area', 'and', 5, 5000)* 【4.4 圆形膨胀】 * 合并相邻区域，半径5.5平衡连接性和细节保留dilation_circle (SelectedRegions, RegionDilation, 5.5)* 【4.5 区域合并】 * 将所有候选区域合并为一个整体union1 (RegionDilation, RegionUnion)* 【4.6 ROI提取】 * 在原始图像上裁剪出候选区域reduce_domain (Image, RegionUnion, ImageReduced)* 【4.7 高斯线检测】 * 参数0.8: 高斯平滑系数，检测暗色条状特征lines_gauss (ImageReduced, LinesXLD, 0.8, 3, 5, 'dark', 'false', 'bar-shaped', 'false')* 【4.8 合并共线轮廓】 * 40: 最大角度差(度)，3: 最大距离差，合并断裂线段union_collinear_contours_xld (LinesXLD, UnionContours, 40, 3, 3, 0.2, 'attr_keep')* 【4.9 轮廓筛选】 * 选择长度15-1000像素的轮廓（滤除短噪声）select_shape_xld (UnionContours, SelectedXLD, 'contlength', 'and', 15, 1000)* 【4.10 生成最终区域】 * 将XLD轮廓转为填充区域gen_region_contour_xld (SelectedXLD, RegionXLD, 'filled')* 【4.11 最终区域合并与膨胀】 * 合并所有区域并用10.5半径膨胀强化显示union1 (RegionXLD, RegionUnion)dilation_circle (RegionUnion, RegionScratches, 10.5)* 【5. 结果显示】* -----------------------------------------------------dev_set_draw ('margin') * 轮廓显示模式dev_set_line_width (3) * 设置线宽dev_set_colored (12) * 使用12种颜色区分区域dev_display (Image) * 显示原始图像dev_display (RegionScratches) * 叠加显示划痕检测结果
结果图：
示例3：皮革表面缺陷检测
原图：
实例代码：
dev_update_off ()
read_image (Image, 'fabric_01.jpg')
get_image_size (Image, Width, Height)
optimize_rft_speed (Width, Height, 'standard')* 尺寸优化
* 频域转换
fft_image (Image, ImageFFT)
* 设计带阻滤波器（抑制织物纹理）
gen_gauss_filter (LowPass, 40, 40, 0, 'none', 'rft', Width, Height)
gen_gauss_filter (HighPass, 5, 5, 0, 'none', 'rft', Width, Height)
sub_image (LowPass, HighPass, BandStopFilter, 1, 0)
* 频域卷积
convol_fft (ImageFFT, BandStopFilter, ImageConvol)
* 逆变换与检测
fft_image_inv (ImageConvol, ImageFiltered)
threshold (ImageFiltered, Defects, 70, 255)
connection (Defects, ConnectedRegions)
select_shape (ConnectedRegions, FinalDefects, 'area', '>', 50)
显示反照率图：
显示结果图：
未完待续。。。。。。。。。。。。
∂x∂Vy交叉导数（剪切应变）
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]