Halcon学习笔记之缺陷检测（二）例程：detect_indent_fft.hdev说明：这个程序展示了如何利用快速傅里叶变换（FFT）对塑料制品的表面进行目标（缺陷）的检测，大致分为三步：首先，我们用高斯滤波器构造一个合适的滤波器（将原图通过高斯滤波器滤波）；然后，将原图和构造的滤波器进行快速傅里叶变换；最后，利用形态学算子将缺陷表示在滤波后的图片上（在缺陷上画圈）。

注：代码中绿色部分为个人理解和注释,其余为例程中原有代码*Initialization（初始化）dev_updata_off() //这一句包含如下三个算子：//dev_updata_pc(‘off’) 关闭更新程序计数器//dev_updata_var(‘off’) 关闭更新变量窗口//dev_updata_window(‘off’) 关闭更新图像窗口（即通过命令来显示想要在图像窗口显示的图片）dev_close_window() //关闭活动的图像窗口read_image(Image,’plastics/plastics_01’) //载入图片//参数说明：为读入图片命名（Image）// 文件名（’plastics/plastics_01’）get_image_size(Image,Width,height) //获取图片的长宽；//参数说明：之前读入或生成的图片（Image）// 图片的宽（Width）// 图片的高（Height）dev_open_window(0,0,Width,Height,’Black’,WindowHandle) //打开一个新的图像窗口//参数说明：起始坐标（0,0）// 大小（Width,Height）// 背景颜色（’Black’）// 窗口句柄（WindowHandle）set_display_font （WindowHandle,14,’mono’,’ture’,’false’）//设置不依赖操作系统的字体//参数说明：窗口句柄（WindowHandle）// 字体大小（14）// 字体类型（’mono’）// 是否黑体（’ture’）// 是否倾斜（’false’）dev_set_draw(‘Margin’) //定义区域填充模式//参数说明：填充模式（’Margin’或者’Fill’）dev_set_line_width（3） //设置输出区域轮廓线的线宽//可以修改参数来看最后缺陷区域标示的区别dev_set_color（’red’） //设置一种或者多种输出颜色**Optimize the fft speed for the specific image size(根据指定图像大小进行fft速度最优化)optimize_rft_speed（Width,Height,’standard’） //对指定大小的图片的fft速度进行优化//参数说明：图片大小（Width,Height）// 优化模式（’standard’）**Construct a suitable filter by combining two Gaussian filters（结合两个高斯滤波器构造一*个合适的滤波器）Sigma1 := 10.0Sigma2 := 3.0 //定义两个常量gen_gauss_filter(GaussFilter1,Sigma1,Sigma1,0.0,’none’,’rft’,Width,Height)gen_gauss_filter(GaussFilter2,Sigma2,Sigma2,0.0,’none’,’rft’,Width,Height) //在频域生成两个高斯滤波器//参数说明：生成的高斯滤波器（GaussFilter）// 空域中高斯在主方向上的标准差（Sigma）// 空域中高斯在正交于主方向的方向上的标准差（Sigma）// 滤波器主方向的角度（0.0）// 滤波器的规范（’none’）// 直流项在频域的位置（’rft’）// 图片的大小（Width,Height）sub_image(GaussFilter1,GaussFilter2,Filter,1,0) //两图片相减（灰度）//sub_image(ImageMinuend, ImageSubtrahend : ImageSub : Mult, Add : )//g' := (g1- g2) * Mult + Add//以上为函数原型以及运算公式**Process the images iteratively(对图像进行迭代运算)NumImages := 11For Index := 1 to NumImages by 1 //for循环从1到NumImages，步长为1**Read an image and convert it to gray valuesread_image(Image,’plastics/plastics_’+Index$’02’)rgb1_to_gray(Image,Image) //将原图转化为灰度图，第一个参数为原图*Perform the convolution in the frequency domainrft_generic(Image,ImageFFT,’to_freq’,’none’,’complex’,Width)//对计算一幅图片实部进行快速傅里叶变换 //参数说明：输入的图片（Image） // 傅里叶变换后输出的图片（ImageFFT） // 变换方向（’to_freq’或’from_freq’） //变换因子的规范（’none’） // 输出图片的数据类型（’complex’） //图片的宽（Width）convol_fft(ImageFFT,Filter,ImageConvol) //对图片用一个滤波器在频域进行卷积运算 //参数说明：输入的图片（ImageFFT） // 频域滤波器（Filter） //运算后输出的结果 rft_generic(ImageConcol,ImageFiltered,’from_freq’,’n’,’real’,Width) //对滤波后的图片进行傅里叶反变换**Process the filtered imagegray_range_rect(ImageFiltered,ImageResult,10,10)//用一个矩形掩膜计算像素点的灰度范围 //参数说明：输入的图片（ImageFiltered） // 输出的灰度范围图（ImageResult） // 矩形掩膜大小（10,10）min_max_rect(ImageResult,ImageResult,0,Min,Max,Range)//判断区域内灰度值的最大和最小值 //参数说明：待分析图片区域（ImageResult） // 图片（ImageResult）// 被去除的直方图两边像素点所// 占总像素数的百分比（0）// 得到的最小值最大值及灰度值范围（Min,Max,Range）threshold(ImageResult,RegionDynThresh,max([5.55,Max*0.8]),255)//利用全局阈值对图像进行分割 //参数说明：输入的图片（ImageResult） // 分割后得到的区域（RegionDynThresh） // 阈值（max([5.55,Max*0.8]),255）// 公式：MinGray <= g <= MaxGrayconnection(RegionDynThresh,ConnectedRegions) //计算区域内的连通部分 //参数说明：输入的图片（RegionDynThresh） // 得到的连通区域（ConnectedRegions）select_shape (ConnectedRegions,SelectedRegions,’area’,’and’,4,99999)//根据指定的形态特征选择区域//参数说明：输入的图片（ConnectedRegions）// 满足条件的区域（SelectedRegions）// 将要计算的形态特征（’area’）// 独立特征间的连接关系（’and’）// 特征的最小限制（4）// 特征的最大限制（99999）union1(SelectedRegions,RegionUnion) //返回包含所有区域的集合 //参数说明：包含所有区域的待计算区域的图片（tedRegions） // 所有输入区域合（RegionUnion）closeing_circle(RegionUnion,RegionClosing,10)//用一个圆圈来封闭一个区域 //参数说明：将要被封闭的区域（RegionUnion） // 被封闭的区域（RegionClosing）// 圆圈的半径（10） connection(RegionClosing,ConnectedRegions1)select_shape(ConnectedRegions1,SelectedRegions1,’area’,’and’,10,99999)area_center(SelectedRegions1,Area,Row,Column) //计算区域的面积以及中心位置//参数说明：待计算的区域（SelectedRegions1） // 区域的面积（Area） // 区域中心的行（Row） // 区域中心的列（Column）**Display the resultsdev_display(Image) //显示原图 Number := |Area| //将区域面积赋给Number用于后面检查是否存在缺陷 if(Number)gen_circle_contour_xld(ContCircle,Row,Column,gen_tuple_const(Number,30),gen_tuple_const(Number,0), gen_tuple_const(Number,rad(360)),’positive’,1)//构造一个与设定的圆弧或圆相一致的边界//参数说明：生成的边界（ContCircle）// 圆弧或圆的中心坐标（Row,Cloumn）// 圆弧或圆的半径（gen_tuple_const(Number,30)）// 圆弧或圆的起始角度（gen_tuple_const(Number,0)）// 圆弧或圆的结束角度（gen_tuple_const(Number,rad(360))）// 不明白是什么意思// 相邻两点间的距离（1）ResultMessage := [‘Not OK’,Number + ‘defect(s) found’]Color := [‘red’,’black’]dev_display(ContCircle) elseResultMessage := ‘OK’Color := ‘forest green’endifdisp_message(WindowHandle,ResultMessage,’window’,12,12,Color,’ture’)if(Index#NumImages)disp_continue_message(WindowHandle,’black’,’ture’)stop()endifendfor算法讲解：在实际的表面缺陷检测系统中，针对的检测表面很多是具有一定纹理的比如：布匹、皮革、塑料等，针对这一类表面的检测就不能单纯依靠帧差或者背景差来完成，因为背景的纹理不可能和当前图像的纹理完全相同。