提示：若没有查找的算子，可以评论区留言，会尽快更新

Halcon算子应用和技巧15

前言

提示：可以使用搜索小工具搜索对应算子名称：

本篇博文主要用于记录学习Halcon中算子的应用场景，及其使用代码和图像展示。只讲通俗易懂使用方法，不讲原理，不讲原理，不讲原理，重要的事情说三遍。

提示：以下是本篇文章正文内容，下面案例可供参考, 注意参数坐标的使用，能帮助你理解算子

一、Halcon应用？

Halcon 是一个强大的图像处理工具，该工具是为了解决机器视觉项目任务而创建的。

二、算子汇总

每一博文仅展示10个算子，点击此链接进行查询所有算子，并点击对应算子跳转相应博文。

【跳转链接】

三、应用算子

141. min_max_gray()

先上代码：

read_image (Image, 'mreut')
get_image_size (Image, Width, Height)
dev_display (Image)
dev_set_draw ('margin')
* Create two regions
gen_rectangle1 (Rectangle1, 350, 100, 450, 200)
min_max_gray (Rectangle1, Image, 5, Min1, Max1, Range1)

解析
获得指定区域（比如红色矩形）的灰度值的最小和最大值，以及灰度值的范围。
PS：注意通过百分比控制区域的灰度直方图有效范围，eg: percent = 5, 则表示灰度值最低丢弃5%， 灰度值最高丢弃5%。这里我给出官方例子：
Example:

With area = 60, Percent = 5, d.h. i.e. 3 pixels, histogram = [2,8,0,7,13,0,0,…,0,10,10,5,3,1,1],

Minimum = 0, Maximum = 255, range = 255

min_max_gray returns: Min = 1, Max = 253, Range = 252.
这里丢弃的是像素个数，因此灰度值0一共2个像素，灰度值1是8个像素，需要丢弃3个，所以灰度值0的没了，灰度值1的还有7个像素，所以最小灰度是1.
在这里插入图片描述

142. dual_threshold()

先上代码：

dev_close_window ()
* 第一次拍摄
read_image (Traffic1, 'traffic1')
* 第二次拍摄
read_image (Traffic2, 'traffic2')
convert_image_type (Traffic1, ImageConverted1, 'int2')
convert_image_type (Traffic2, ImageConverted2, 'int2')
* 图像做差
sub_image (ImageConverted1, ImageConverted2, ImageSub, 1, 0)
*筛选区域
dual_threshold (ImageSub, RegionDiff, 500, 20, 10)

解析
该算子选择灰度值 >= Threshold的正区域，或者灰度值 <= -Threshold的负区域。并且要求区域面积大于MinSize，区域内最大灰度值要大于MinGray。

总结如下：

选择的是（dual region）双区域，即正区域和负区域
对最小区域尺寸和灰度值有限制。
在这里插入图片描述

上图是同一辆车在道路上运行时，拍摄的两幅图像做差后得到的图像。黑色部分是当前时刻的车位置，白色部分是下一时刻的车位置。做差后得到的图像灰度值有正有负。黑色部分灰度值都远小于0，白色部分灰度值都远大于0，背景部分灰度值接近0.

接下来对差值图像做处理。dual_threshold (ImageSub, RegionDiff, 500, 20, 10)算子首先设置Threshold =10，选择出灰度值大于10的白色部分和灰度值小于-10的黑色部分。MinSize=500和MinGray=20分别对最小区域尺寸和区域内灰度值做了进一步筛选。MinGray=20是对区域的最大绝对灰度值小于 20的区域被抑制。这意味着：灰度值分别位于 - Threshold和 Threshold、 - MinGray和 MinGray之间的区域不予考虑。建议运行官方的例子去一行一行理解。

143. watersheds()

先上代码：

read_image (Br2, 'particle')
gauss_filter (Br2, ImageGauss, 9)
invert_image (ImageGauss, ImageInvert)
watersheds (ImageInvert, Basins, Watersheds)
dev_set_draw ('margin')
dev_set_colored (12)
dev_display (Br2)

解析
其又称为：分水岭算法，这是一种典型的基于边缘的图像分割算法。通过寻找区域之间的分界线，对图像进行分割。他的思想是：把图像看作是一张地形图，其中像素的灰度值表示为区域高度。灰度值越高，地势越高。
低地聚集地方如同一块盆地，如果模拟向这片区域注水，那么每块区域将组织成一个积水区域，即图像上的分割区域， 区域和区域之间的边界就是区域的边界。其特别适用于蜂窝状的内容划分。如果前景目标比较亮而背景比较暗，可以使用convert_image算子对颜色进行翻转。

在这里插入图片描述

144. watersheds_threshold（）

先上代码：

*输入待检测的木材图像
read_image (Image, 'data/woodboard')
*将原始图转化为灰度图。便与后续的平滑处理
rgb1_to_gray (Image, GrayImage)
*对单通道图像进行高斯平滑处理，以去除噪声
gauss_filter (GrayImage, ImageGauss, 11)
*对高斯平滑后的图像进行分水岭处理，阈值分割，提取出盆地区域
watersheds (ImageGauss, Basins1, Watersheds)
watersheds_threshold(ImageGauss, Basins, 50)

解析：
除了watersheds算子外，也可以使用watersheds_threshold算子进行分水岭分割。二者的区别在于，后者比前者多了一步操作，即在得到初步的分水岭分割结果之后，将灰度小于阈值的分水岭合并。具体来说，假设分水岭的最小灰度Wmin, 水岭两侧的“洼地”区域的最小灰度分别为B1，B2，如果max{（Wmin-B1）,（Wmin-B2）}的值小于阈值，则将这两个“洼地”区域合并，分水岭消失。通过这样的阈值处理，符合灰度阈值条件的灰度“洼地”区域即被提取出来。

在这里插入图片描述
一位博主的解释很形象，大家参考一下：参考博文
在这里插入图片描述
满足条件，将合并为一个区域：

在这里插入图片描述

145. draw_circle ()

解析：
顾名思义：使用鼠标绘制圆形，配合gen_circle使用，获得绘制的区域

146. pow_Image()

先上代码：

read_image (Image, 'printer_chip/printer_chip_01')
pow_image (Image, PowImage, 2)

解析:
对图像进行幂次运算，其会自动将byte图像转为real图像，比如图像坐标点的灰度值是：223
经过幂次为2的处理，将变为real图像格式，即223^2 = 49729, 大家可以自行观察一下。

在这里插入图片描述

147. tuple_gen_const ()

先上代码：

tuple_gen_const (10, 25, Newtuple)

解析：
在halcon中有类似数组一样的构建函数，生成数组的长度和值内容，上面语句是生成了长度为10，每一个值都是25的数组列表Newtuple。

148. tuple_find_first （）

先上代码：

tuple := [1, 25, 15, 20, 8 ,5]
tuple_find_first (tuple, 15, Index)

解析：
查询数组中第一次出现你要查找的元素下标，Index = 2。

149. tuple_find_last（）

先上代码：

tuple := [1, 25, 15, 20, 15 ,5]
tuple_find_last (tuple, 15, Index)

解析：
查询数组中最后一次出现你要查找的元素下标，Index = 4。和tuple_find_first()恰好相反。

150. tuple_div()

先上代码：

* 情形1:
tuple1 := [1, 25, 15, 20, 8 , 5]
tuple2 := [1, 25, 15, 20, 15 ,5]
tuple_div (tuple2, tuple1, Quot)
* Quot = [1, 1, 1, 1, 1, 1]
* 情形2:
tuple1 := [5]
tuple2 := [1, 25, 15, 20, 15 ,5]
tuple_div (tuple2, tuple1, Quot)
* Quot = [0, 5, 3, 4, 3, 1]
* 情形3, 浮点:
tuple1 := [5.0]
tuple2 := [1, 25, 15, 20, 15 ,5]
tuple_div (tuple2, tuple1, Quot)
* Quot = [0.2, 5.0, 3.0, 4.0, 3.0, 1.0]

解析：
Quot := Q1 / Q2，将两个数组相除，其是相同长度；或者其中一个是长度为1的数组。

以上内容陆续更新。。。

如有问题，欢迎大家指出，谢谢！！！

# 计算机视觉 # 图像处理 # 视觉检测 # opencv
Logo
火山引擎 ADG 社区

火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。

更多推荐

Chess用户界面设计：Tailwind CSS样式系统和组件库

GitHub推荐项目精选中的ch/chess是一个类似chess.com的多人在线象棋平台，它采用现代化的前端技术栈构建，尤其在用户界面设计上通过Tailwind CSS样式系统和组件库实现了优雅且功能丰富的交互体验。本文将深入探讨该项目如何利用Tailwind CSS打造一致的设计语言和高效的组件系统，为象棋爱好者提供沉浸式的游戏界面。## 🎨 Tailwind CSS样式系统：构建统一视

avatar 火山引擎 ADG 社区

终极指南：GPT-Engineer如何通过AI自动发现代码问题并提升质量

GPT-Engineer是一款强大的AI驱动代码工具，它能帮助开发者自动检测潜在代码问题、优化代码质量，让编程效率提升3倍以上。无论是新手还是资深开发者，都能通过这款工具轻松发现代码中的隐藏缺陷，减少调试时间，释放更多精力在创造性工作上。## 一键发现代码问题：GPT-Engineer的AI审查魔力GPT-Engineer的核心能力在于其内置的智能代码分析系统。通过集成Python代码格式

avatar 火山引擎 ADG 社区

SatDump中的纠错编码技术：从RS码到Turbo码的完整实现指南

在卫星数据传输过程中，信号往往会受到各种干扰，导致数据错误。SatDump作为一款通用卫星数据处理软件，集成了多种先进的纠错编码技术，确保从卫星接收到的数据能够准确解码。本文将深入解析SatDump中从Reed-Solomon（RS）码到Turbo码的实现细节，帮助读者理解这些技术如何保障卫星通信的可靠性。## 为什么纠错编码对卫星数据至关重要？卫星与地面站之间的通信链路面临着空间辐射、大

avatar 火山引擎 ADG 社区