Halcon機器視覺算法原理與編程實戰（簡體書）

本書針對機器視覺的原理和演算法，以及如何應用演算法解決問題進行探討和說明，並利用Halcon對各種機器視覺演算法進行舉例，讓讀者理解Halcon機器視覺開發過程中的各種常用演算法的原理及其應用方法，提高實際開發水準和項目實戰能力。

楊青，北京大學軟件工程碩士，現任某科研單位圖像算法主管。2010年以來一直從事圖像視覺算法與軟件研發工作，2015年起開始主導機器視覺項目，曾負責雙目立體視覺探測、基於機器視覺的自​​動化產品檢測、顯示器缺陷檢測、智能識別等多個視覺項目。為醫療、航天、工業、科研等多個領域的客戶提供了智能場景的機器視覺系統的軟硬件方案。

本書非常適合初學者、工程師和對機器視覺技術感興趣的讀者，書中用大量的實例介紹了機器視覺的算法和應用，有助於讀者學習機器視覺的原理并快速上手。
——虞志益中山大學電子與信息工程學院教授、博士生導師

機器視覺是工業領域發展的動力和方向，本書用成熟的方法和案例，介紹機器視覺的編程方法，值得一讀。
——陳小軍開異智能技術（上海）有限公司前銷售主管

“機器人”“智能駕駛”“無人機”“大數據”等詞彙越來越多地出現在人們的生活中，追根溯源，這些都離不開機器視覺的飛速發展。本書圍繞如何運用機器視覺開展項目這一主題，採取講事實、舉案例的形式來講解，是一本值得參考的入門書籍。
——張陽原中國電子視像行業協會智能顯示車聯網分會副主任

為什麼要寫這本書？
隨著機器視覺技術的飛速發展，大量需要使用機器視覺代替人工檢測的需求應運而生。Halcon在開發機器視覺項目中表現出的高效性和穩定性，使其應用範圍非常廣泛。程序員要想進入機器視覺開發行業，除了需要有基礎的圖像處理知識、理論知識，融會貫通各種圖像處理算法外，最好還要熟悉有典型意義和實際價值的各類開發實例。這樣才能在開發機器視覺項目的過程中游刃有餘地解決各種圖像處理問題，使開發結果達到理想的效果。
目前圖書市場上關於圖像處理的圖書不少，但是結合Halcon進行算法分析和實際項目應用的圖書卻非常少。本書便是以實戰為主旨，通過Halcon開發機器視覺項目中常見的10種典型算法模塊，並列舉了應用實例，讓讀者全面、深入、透徹地理解Halcon機器視覺開發過程中的各種常用算法的原理及其應用方法，提高讀者的實際開發水平和項目實戰能力。
本書有何特色？
1.涵蓋各種機器視覺圖像處理技術及常用檢測技術
本書涵蓋圖像預處理、圖像的形態學處理、顏色與紋理、圖像分割與分類、立體視覺、
深度學習、表面檢測、完整性檢測、模板匹配、三維定位等常用機器視覺圖像處理技術和檢測技術。
2.對機器視覺圖像處理的各種技術做了原理上的介紹和編程代碼舉例
本書從一開始便對機器視覺項目開發和軟硬件環境配置做了基本介紹，並對各種機器視覺圖像處理技術和常用檢測技術進行了原理分析和代碼舉例，便於讀者理解書中的項目開發實例。
3.模塊驅動，應用性強
本書提供了10個機器視覺項目中的算法模塊，這些算法模塊都是機器視覺圖像處理中經常用到的，具有超強的實用性，開發人員可以隨時查閱和參考。
4.項目案例典型，實戰性強，有很高的應用價值
本書在第2篇介紹了多個案例，並對各種算法進行了代碼舉例。第3篇提供了4個項目實戰案例。這些案例來源於作者所開發的實際項目，具有很高的應用價值和參考性。而且這些案例將不同的圖像處理算法組合使用，便於讀者理解本書中所介紹的技術。將這些案例稍加修改，便可用於實際項目開發。
5.提供完善的技術支持和售後服務

本書提供了專門的技術支持郵箱： ginnyyang@qq.com。讀者在閱讀本書的過程中有任何疑問都可以通過該郵箱獲得幫助。
本書內容及知識體系
第1篇基礎篇（第1～ 4章）
本篇介紹了機器視覺概述、如何做機器視覺項目、硬件環境搭建和軟件圖像採集等基礎知識，主要包括機器視覺項目開發流程、機器視覺項目的硬件環境搭建方法、軟件圖像採集方法等。
第2篇算法篇（第5～ 14章）
本篇介紹了機器視覺圖像處理中常用的10個典型算法模塊及其代碼實現，主要包括圖像預處理、圖像分割、顏色與紋理、圖像的形態學處理、特徵提取、邊緣檢測、模板匹配、圖像分類、相機標定與三維重建、機器視覺中的深度學習等。
第3篇應用案例篇（第15～ 18章）
本篇主要介紹了4個項目案例的開發過程，主要包括印刷完整性檢測、布料表面缺陷檢測、儀表數值智能識別、雙目立體視覺與定位。在具體剖析這4個案例時，涉及系統功能、檢測算法、具體實現的詳細過程。
適合閱讀本書的讀者
想要全面學習機器視覺算法的初學者。
希望使用Halcon進行機器視覺項目開發的程序員。
想要了解機器視覺項目開發方法的工業客戶。
機器視覺軟件開發項目經理。
希望提高圖像處理水平的人員。
對機器視覺算法興趣濃厚的人員。
需要一本關於機器視覺算法的案頭必備查詢手冊的人員。
閱讀本書的建議
沒有機器視覺算法基礎的讀者，建議從第1章順次閱讀，並演練每一個實例。
有一定機器視覺算法基礎的讀者，可以根據實際情況，有重點地選擇閱讀各個章節和編程實例。
對於每一個章節和編程實例，先自己思考一下實現的思路，然後再閱讀，學習效果會更好。
閱讀完書中的章節和編程實例後，可以結合學習資源中提供的代碼實際演練一遍，這樣理解起來會更加容易，印像也會更加深刻。可掃描以下二維碼關注“博雅讀書社”微信公眾號，找到“資源下載”欄目，根據提示獲取本書資源。

第1章機器視覺概述002
1.1什麼是機器視覺003
1.2機器視覺與計算機視覺的區別003
1.3機器視覺的工作原理005
1.4機器視覺的應用領域006
第2章如何做機器視覺項目008
2.1項目的前期準備009
2.1.1從5個方面初步分析客戶需求009
2.1.2方案評估與驗證009
2.1.3簽訂合同010
2.2項目規劃011
2.2.1定義客戶的詳細需求011
2.2.2制訂項目管理計劃011
2.2. 3方案評審012
2.3詳細設計012
2.3.1硬件設備的選擇與環境搭建012
2.3.2軟件開發平台與開發工具的選擇013
2.3.3機器視覺系統的整體框架與開發流程013
2.3.4交互界面設計014
2.3.5 Halcon與開發工具014
2.4項目交付015
2.4.1軟件功能測試015
2.4.2現場調試015
2.4.3系統維護016
第3章硬件環境搭建017
3.1相機018
3.1.1相機的主要參數018
3.1.2相機的種類019
3.1.3相機的接口020
3.1.4相機的選型020
3.2圖像採集卡022
3.2.1圖像採集卡的種類022
3.2.2圖像採集卡的選型023
3.3鏡頭023
3.4光源024
3.5實例：硬件選型025
第4章軟件圖像採集026
4.1獲取非實時圖像027
4.1.1讀取圖像文件027
4.1.2讀取視頻文件028
4.2獲取實時圖像030
4.2.1 Halcon的圖像採集步驟030
4.2.2使用Halcon接口連接相機030
4.2.3使用相機的SDK採集圖像033
4.2.4外部觸發採集圖像033
4.3多相機採集圖像034
4.4 Halcon圖像的基本結構035
4.5實例：採集Halcon圖像並進行簡單處理036
第5章圖像預處理040
5.1圖像的變換與校正041
5.1.1二維圖像的平移、旋轉和縮放041
5.1.2圖像的仿射變換042
5.1.3投影變換042
5.1.4實例：透視形變圖像校正043
5.2感興趣區域（ROI）045
5.2.1 ROI的意義045
5.2.2創建ROI045
5.3圖像增強046
5.3.1直方圖均衡046
5.3.2增強對比度·048
5.3.3處理失焦圖像049
5.4圖像平滑與去噪049
5.4.1均值濾波049
5.4.2中值濾波050
5.4.3高斯濾波051
5.5光照不均勻052
第6章圖像分割054
6.1閾值處理055
6.1.1全局閾值055
6.1.2基於直方圖的自動閾值分割方法056
6.1.3自動全局閾值分割方法057
6.1.4局部閾值分割方法058
6.1.5其他閾值分割方法060
6.2區域生長法062
6.2.1 regiongrowing算子062
6.2.2 regiongrowing_mean算子064
6.3分水嶺算法065
第7章顏色與紋理067
7.1圖像的顏色068
7.1.1圖像的色彩空間068
7.1.2 Bayer圖像069
7.1.3顏色空間的轉換070
7.2顏色通道的處理070
7.2.1圖像的通道071
7.2.2訪問通道071
7.2.3通道分離與合併071
7.2.4處理RGB信息073
7.3實例：利用顏色信息提取背景相似的字符區域074
7.4紋理分析075
7.4.1紋理濾波器075
7.4.2實例：織物摺痕檢測076
第8章圖像的形態學處理077
8.1腐蝕與膨脹078
8.1.1結構元素078
8.1.2腐蝕078
8.1.3膨脹080
8.2開運算與閉運算082
8.2.1開運算082
8.2.2閉運算084
8.3頂帽運算與底帽運算085
8.3.1頂帽運算086
8.3.2底帽運算086
8.3.3頂帽運算與底帽運算的應用087
8.4灰度圖像的形態學運算089
8.4.1灰度圖像與區域的區別089
8.4.2灰度圖像的形態學運算效果及常用算子089
8.5實例：粘連木材圖像的目標分割與計數091
第9章特徵提取095
9.1區域形狀特徵096
9.1.1區域的面積和中心點096
9.1.2封閉區域（孔洞）的面積097
9.1.3根據特徵值選擇區域098
9.1.4根據特徵值創建區域100
9.2基於灰度值的特徵103
9.2.1區域的灰度特徵值103
9.2.2區域的最大、最小灰度值105
9.2.3灰度的平均值和偏差106
9.2.4灰度區域的面積和中心107
9.2.5根據灰度特徵值選擇區域107
9.3基於圖像紋理的特徵109
9.3.1灰度共生矩陣109
9.3.2創建灰度共生矩陣110
9.3.3用共生矩陣計算灰度值特徵111
9.3.4計算共生矩陣並導出其灰度值特徵111
9.3.5實例：提取圖像的紋理特徵112
第10章邊緣檢測115
10.1像素級邊緣提取116
10.1.1經典的邊緣檢測算子116
10.1.2邊緣檢測的一般流程117
10.1.3 sobel_amp算子117
10.1.4 edges_image算子120
10.1.5其他濾波器122
10.2亞像素級邊緣提取124
10.2.1 edges_sub_pix算子125
10.2.2 edges_color_sub_pix算子126
10.2.3 lines_gauss算子127
10.3輪廓處理129
10.3.1輪廓的生成130
10.3.2輪廓的處理130
第11章模板匹配134
11.1模板匹配的種類135
11.1.1基於灰度值的模板匹配135
11.1.2基於相關性的模板匹配136
11.1.3基於形狀的模板匹配136
11.1.4基於組件的模板匹配137
11.1.5基於形變的模板匹配138
11.1.6基於描述符的模板匹配138
11.1.7基於點的模板匹配139
11.1.8模板匹配方法總結139
11.2圖像金字塔140
11.3模板圖像142
11.3.1從參考圖像的特定區域中創建模板·142
11.3.2使用XLD輪廓創建模板143
11.4模板匹配的步驟143
11.4.1基於灰度值的模板匹配143
11.4.2基於相關性的模板匹配145
11.4.3基於形狀的模板匹配147
11.4.4基於組件的模板匹配149
11.4.5基於局部形變的模板匹配150
11.4.6基於透視形變的模板匹配152
11.4.7基於描述符的模板匹配153
11.4.8優化匹配速度155
11.4.9使用Halcon匹配助手進行匹配156
11.5實例：指定區域的形狀匹配159
第12章圖像分類163
12.1分類器164
12.1.1分類的基礎知識164
12.1.2 MLP分類器166
12.1.3 SVM分類器166
12.1.4 GMM分類器166
12.1.5 k-NN分類器167
12.1.6選擇合適的分類器167
12.1.7選擇合適的特徵168
12.1.8選擇合適的訓練樣本168
12.2特徵的分類169
12.2.1一般步驟169
12.2.2 MLP分類器170
12.2.3 SVM分類器176
12.2.4 GMM分類器176
12.2.5 k-NN分類器177
12.3光學字符識別178
12.3.1一般步驟179
12.3.2 OCR實例179

與相機建立聯繫後，實時地讀取圖像是在grab_image或grab_image_async算子中實現的，二者有如下區別。
grab_image用於相機的同步採集。其工作流程是先獲取圖像，然後等圖像轉換等處理流程完成之後再獲取下一幀圖像。圖像的獲取和處理是兩個順序執行的環節。因此，下一幀圖像的獲取要等待上一幀圖像的處理完成才開始，這樣相機的實際幀率可能會低於標定的值，還可能會有採集過程耗時太長的情況。
grab_image_async用於相機的異步採集。異步採集不需要等到上一幀圖片處理完成再開始捕獲下一幀，圖像的獲取和處理是兩個獨立的環節。異步採集可以在當前圖像捕獲完成後立即捕獲下一幀，也可以根據設定的時間間隔獲取圖像。該算子的最後一個參數可用於設置延時，達到延時時間即可開始捕獲下一幀圖像。在實際使用中，常常使用多線程同步機製配合異步採集。