工業(yè)機器視覺基礎(chǔ)教程 HALCON篇

出版說明
前言
第1章 緒論1
1.1 工業(yè)機器視覺的概念1
1.2 工業(yè)機器視覺的應(yīng)用領(lǐng)域1
1.3 工業(yè)機器視覺的基本原理4
1.3.1 工業(yè)機器視覺涉及的關(guān)鍵技術(shù)4
1.3.2 工業(yè)機器視覺系統(tǒng)5
習(xí)題6
第2章 HALCON的基礎(chǔ)知識7
2.1 HALCON的集成開發(fā)環(huán)境7
2.2 HALCON語言10
2.2.1 HALCON中的數(shù)據(jù)類型10
2.2.2 HALCON中的運算符12
2.2.3 HALCON中的控制流算子13
2.3 HALCON中創(chuàng)建函數(shù)15
2.4 案例—找出圖中面積最大的圓17
習(xí)題19
第3章 機器視覺硬件系統(tǒng)20
3.1 光源20
3.1.1 光源的顏色21
3.1.2 光源的照射方式23
3.1.3 案例—選擇合適的打光方式27
3.2 鏡頭28
3.2.1 工業(yè)鏡頭的基本參數(shù)28
3.2.2 工業(yè)鏡頭的分類29
3.3 相機30
3.3.1 相機的性能指標(biāo)30
3.3.2 相機的分類31
3.3.3 相機-計算機接口32
3.4 相機標(biāo)定34
3.4.1 相機標(biāo)定原理34
3.4.2 相機標(biāo)定過程36
3.4.3 案例—用HALCON標(biāo)定助手對相機進行標(biāo)定38
習(xí)題40
第4章 灰度圖像BLOB分析41
4.1 BLOB簡介41
4.1.1 BLOB的概念41
4.1.2 案例—BLOB分析的方法和步驟42
4.2 灰度直方圖43
4.2.1 灰度直方圖的概念43
4.2.2 灰度直方圖與圖像清晰度的關(guān)系43
4.2.3 案例—顯示灰度圖像的直方圖44
4.3 閾值分割45
4.3.1 全局固定閾值分割45
4.3.2 案例—用“灰度直方圖”工具對圖像進行二值化46
4.3.3 動態(tài)閾值分割47
4.3.4 案例—圓點檢測47
4.4 連通區(qū)域分析48
4.4.1 連通區(qū)域分析的原理48
4.4.2 案例—分割圖中的數(shù)字50
4.5 特征值計算50
4.5.1 BLOB分析中的常用特征值50
4.5.2 “特征直方圖”工具52
4.5.3 案例—從標(biāo)定板中分割出圓點52
習(xí)題54
第5章 圖像濾波56
5.1 圖像濾波簡介56
5.2 空間域圖像濾波56
5.2.1 均值濾波57
5.2.2 案例—均值濾波器的應(yīng)用59
5.2.3 高斯濾波60
5.2.4 中值濾波61
5.2.5 三種空間濾波方法的比較62
5.2.6 案例—分析液體中的顆粒63
5.3 頻域圖像濾波64
5.3.1 頻域濾波原理64
5.3.2 頻率域低通濾波66
5.3.3 案例—低通濾波器的應(yīng)用69
5.3.4 頻率域高通濾波69
5.3.5 案例—應(yīng)用高斯高通濾波器提取圖像輪廓71
5.3.6 頻率域的帶阻/帶通濾波器73
5.3.7 案例—應(yīng)用帶通濾波器進行劃痕檢測75
習(xí)題76
第6章 圖像的形態(tài)學(xué)處理78
6.1 圖像的形態(tài)學(xué)處理簡介78
6.2 形態(tài)學(xué)的基礎(chǔ)算法78
6.2.1 膨脹運算78
6.2.2 腐蝕運算79
6.2.3 開運算80
6.2.4 閉運算80
6.2.5 案例—求圖中地球的中心點坐標(biāo)81
6.2.6 其他形態(tài)學(xué)算子82
6.2.7 案例—應(yīng)用“擊中擊不中”的方法檢測字符84
6.3 形態(tài)學(xué)的典型應(yīng)用85
6.3.1 邊界提取85
6.3.2 案例—提取目標(biāo)區(qū)域的邊界85
6.3.3 區(qū)域填充86
6.3.4 連接成分提取87
6.3.5 案例—檢測并計算出圓形工件上的瑕疵大小88
習(xí)題89
第7章 圖像的幾何變換90
7.1 圖像的幾何變換簡介90
7.2 圖像的位置變換90
7.2.1 圖像平移90
7.2.2 圖像旋轉(zhuǎn)91
7.2.3 案例—標(biāo)簽旋轉(zhuǎn)92
7.2.4 圖像鏡像93
7.2.5 案例—圖像鏡像94
7.3 圖像的形狀變換95
7.3.1 圖像的縮小95
7.3.2 圖像的放大95
7.3.3 圖像的錯切96
7.3.4 透射變換97
7.3.5 案例—二維碼位姿校正98
習(xí)題99
第8章 圖像特征與提取101
8.1 圖像特征101
8.2 邊緣特征101
8.2.1 差分邊緣檢測算子102
8.2.2 Roberts算子103
8.2.3 Sobel算子103
8.2.4 canny算子104
8.2.5 Prewitt 算子105
8.2.6 案例—用邊緣檢測提取公路標(biāo)線105
8.3 圖像的骨架特征106
8.3.1 骨架的原理106
8.3.2 案例—長條形物體上的缺陷檢測107
8.4 區(qū)域特征109
8.4.1 常用區(qū)域特征109
8.4.2 案例—找出圖中的六角螺帽111
8.5 灰度直方圖特征112
8.5.1 常用的灰度直方圖特征112
8.5.2 案例—紅外物體的熱點溫度檢測113
8.6 圖像的紋理特征114
8.6.1 灰度共生矩陣原理115
8.6.2 案例—LCD顯示器缺陷檢測117
8.7 角點特征118
8.7.1 角點檢測法原理118
8.7.2 案例—方格墻磚的角點檢測119
8.8 亞像素邊緣特征121
8.8.1 亞像素方法原理121
8.8.2 XLD特征122
8.8.3 案例—用亞像素的方法計算工件圓孔的半徑122
8.9 圖像的顏色特征124
8.9.1 圖像的彩色124
8.9.2 顏色模塊125
習(xí)題129
第9章 圖像模式識別131
9.1 圖像模式識別的定義131
9.2 模板匹配131
9.2.1 模板匹配的原理131
9.2.2 案例—用模式識別的方法查找對應(yīng)圖案135
9.2.3 案例—用模板匹配助手實現(xiàn)芯片標(biāo)識的匹配與定位136
9.3 統(tǒng)計模式識別141
9.3.1 K-最近鄰法（K-NN）141
9.3.2 支持向量機143
9.4 案例—應(yīng)用支持向量機進行樣本缺陷檢測146
9.5 神經(jīng)網(wǎng)絡(luò)149
9.5.1 神經(jīng)網(wǎng)絡(luò)的定義149
9.5.2 神經(jīng)網(wǎng)絡(luò)的創(chuàng)建和應(yīng)用150
9.5.3 常見的神經(jīng)網(wǎng)絡(luò)類型150
9.5.4 案例—用神經(jīng)網(wǎng)絡(luò)訓(xùn)練識別車牌漢字152
9.5.5 案例—用神經(jīng)網(wǎng)絡(luò)進行像素分類154
9.6 字符識別（OCR）155
9.6.1 字符識別原理155
9.6.2 案例—識別車牌中的英文字母和數(shù)字157
習(xí)題158
第10章 綜合實例16