[機器視覺]halcon應用實例多ROI模板匹配

本示例是單ROI的功能擴展示例，多ROI.后面有空了將出用戶自定義ROI。

比單ROI增加ROI區域的連接和合并。還有for的實例應用。步驟同單ROI一樣。不懂的可以看一下單ROI文章。[機器視覺]halcon應用實例單ROI模板匹配-CSDN博客

有需要的可以【點贊】【關注】【收藏】【訂閱】

dev_set_color ('red')
dev_set_draw ('margin')
*獲取窗口句柄對象
dev_get_window (WindowHandle)
*讀取圖片
read_image (Image, 'E:/stevenChen/機器視覺學習/HDevelop/視覺圖片/ROI/1.bmp')*多ROI 
*選取ROI
*第一個ROI
*畫矩形1
*參數說明
*WindowHandle (輸入參數)窗口句柄
*Row1, Column1 (輸出參數)矩形的左上角坐標
*Row2, Column2 (輸出參數)矩形的右上角坐標
draw_rectangle1 (WindowHandle, Row1, Column1, Row2, Column2)
*生成矩形1
*根據上面算子的輸出參數生成一個矩形
*Rectangle 輸出參數，生成的矩形
*Row1, Column1 (輸入參數)矩形的左上角坐標
*Row2, Column2 (輸入參數)矩形的右上角坐標
gen_rectangle1 (Rectangle, Row1, Column1, Row2, Column2)*-------------------
*第二個ROI
*畫矩形
draw_rectangle1 (WindowHandle, Row10, Column10, Row20, Column20)
*生成矩形
*根據上面算子的輸出參數生成一個矩形
gen_rectangle1 (Rectangle10, Row10, Column10, Row20, Column20)
*連接兩個對象，ObjectsConcat = [Objects1,Objects2]
*參數列表：
*第1個參數Objects1是輸入對象，即對象1
*第2個參數Objects2是輸入變量，即對象2
*第3個參數ObjectsConcat是輸出變量，即連接后的區域
*concat_obj (Rectangle, Rectangle10, ObjectsConcat)
*union2
*union2（）——將兩個區域合并成一個整體，僅限兩個
*函數原型：union2(Region1（輸入）, Region2（輸入） : RegionUnion（輸出） : : )
*功能：將Region2 和Region1元組內的區域合并成一個獨立的區域保存于RegionUnion 。把第二個參數Region2里的所有區域合并，然后將合并后的區域分別與Region1中的每一個區域進行合并，然后保存到RegionUnion 中。最后，RegionUnion 元素個數與Region1元素個數相同。
*參數：
*Region1 (input_object) ——要與Region2中的所有區域的并集計算的區域
*Region2 (input_object) ——要添加到Region1的區域
*RegionUnion (output_object) ——(輸出)最終得到的區域
*      要素數：:RegionUnion == Region1
union2 (Rectangle, Rectangle10, RegionUnion1)
*-------------------
*第三個ROI
*畫矩形
draw_rectangle1 (WindowHandle, Row100, Column100, Row200, Column200)
*生成矩形
*根據上面算子的輸出參數生成一個矩形
gen_rectangle1 (Rectangle100, Row100, Column100, Row200, Column200)
*concat_obj (Rectangle100, ObjectsConcat, ObjectsConcatAll)*把所有的輸入區域合并為一個區域
*功能：函數將Region元組內的全部區域合并成一個獨立的區域，保存于RegionUnion
*參數：
*Region (input_object) ——要計算其并集的區域，也就是一個個的輸入區域
*RegionUnion (output_object) ——所有輸出區域的并集*要素數: RegionUnion <= Region
*union1 (Rectangle100, RegionUnionAll)
union2 (RegionUnion1, Rectangle100, RegionUnionAll)*鎖定ROI并創建模板
*單ROI
*獲得特定區域Region位置的圖像，獲取區域圖像
*Image （輸入參數）輸入的圖像
*Rectangle 輸入參數）輸入的區域，上面畫的矩形區域
*ImageReduced （輸出參數）輸出的圖像，是Image中Rectangle的那部分圖像
reduce_domain (Image, RegionUnionAll, ImageReduced)*用于創建形狀模板
*形狀模板是一種用于檢測和匹配特定形狀的工具，常用于目標識別、物體定位和測量等應用中。
*參數說明：
*ObjectModel：包含待創建模板的形狀的二值圖像。
*NumLevels：金字塔層數，用于多尺度匹配。可設為“auto”或0—10的整數
*AngleStart：起始角度（以度為單位），用于模板的旋轉范圍。rad(-180)
*AngleExtent：旋轉角度的范圍（以度為單位）。rad(-180), rad(180)表示360度匹配
*AngleStep：旋轉角度的步長，可以是’auto’或具體的值。
*ScaleMin：最小縮放比例。
*ScaleMax：最大縮放比例。
*ScaleStep：縮放比例的步長。
*Optimization：優化模式，用于加速模板匹配。
*Metric：模板匹配的度量方式。
*Contrast：對比度增強系數。
*MinContrast：最小對比度閾值。
*ModelID：輸出的模板ID。
*https://blog.csdn.net/xiaogongzhu001/article/details/131120014
*1.NumLevels（金字塔的層數），金字塔的層數越大，找到匹配使用的時間就越小。（金字塔的層數越大，提取到的特征越少，精準度越低，所以對應的識別時間少）
*如果金字塔的層數設置的太大，模板不容易識別出來，這是需要將find_shape_model函數中MinScore和Greediness參數設置的低一些。
*參數解析及優化 https://blog.csdn.net/the_future_way/article/details/115345989
*create_shape_model (ImageReduced, 'auto', rad(0), rad(360), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
create_shape_model (ImageReduced, 'auto', rad(-180), rad(180), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
*-----模板創建結束----------------------------------*-----開始測試----------------------------------------------*圖片文件夾
imageDir := 'E:/stevenChen/機器視覺學習/HDevelop/視覺圖片/ROI'*獲取文件列表
list_files (imageDir, ['files','follow_links','recursive'], ImageFiles)*可以用for算子把文件一個一個打開
for Index := 0 to |ImageFiles| - 1 by 1*從文件集合中獲取指定索引的數據imagePath := ImageFiles[Index]    *判斷文件是否存在，存在返回true,否則返回false*imagePath 輸入參數：要判斷的文件路徑*FileExists 輸出參數: 輸出文件是否存在，存在返回true，否則返回falsefile_exists (imagePath, FileExists)if (FileExists)*顯示文本消息dev_close_window ()*讀取圖片read_image (Image, imagePath)  get_image_size (Image, Width, Height)dev_open_window (0, 0, Width, Height, 'black', WindowHandle)dev_display (Image)*4.加載測試圖像*read_image (Image1, 'E:/stevenChen/機器視覺學習/HDevelop/視覺圖片/ROI/12.bmp')*5.使用已有模板句柄來匹配*形狀模板匹配*形狀匹配原理：模板創建后，會根據模板中的邊緣等關系去圖像中進行搜索，可以理解成提取模板中的灰度發生變化的那些點，*然后再去圖像中匹配，這樣的效果是對干擾比較穩定，匹配速度快，并且即使邊緣發生部分遮擋，匹配效果依舊較好*參數說明*參數1：輸入圖像--單通道圖像*參數2：模板句柄*參數3：搜索時的起始角度 rad(-180), rad(180) 正好是一圈*參數4：搜索時的終止角度，必須與創建模板時的有交集 *參數5:被找到的模板最小分數--大于等于這個值才能被匹配*      默認值：0.5      建議值：0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0*      典型值范圍：0≤MinScore ≤ 1*      最小增量：0.01       建議增量：0.05*參數6：要找到的模板最大實例數*參數7：要找到的模型實例的最大重疊*      默認值：0.5       建議值：0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0*      典型值范圍：0≤ MaxOverlap≤ 1      最小增量：0.01     建議增量：0.05*參數8：計算精度的設置*        'none', 'interpolation', 'least_squares', 'least_squares_high', 'least_squares_very_high'*        'max_deformation 1', 'max_deformation 2', 'max_deformation 3', 'max_deformation 4'*        'max_deformation 5', 'max_deformation 6'*參數9：搜索時金字塔的層級*參數10：貪婪度，搜索啟發式，一般都設為0.8，越高速度快,容易出現找不到的情況*       0≤ Greediness ≤ 1   *最后4個：輸出匹配位置的行和列坐標、角度、得分 【中心坐標】*https://blog.51cto.com/liming19680104/5152387
*        find_shape_model (Image1, ModelID, rad(0), rad(360), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)find_shape_model (Image, ModelID, rad(-180), rad(180), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)*6.把匹配輪廓顯示到圖像中*ModelContours 輸出參數,匹配到的模塊輪廓，*ModelID 輸入參數，模板ID,*Level 金字塔層數get_shape_model_contours(ModelContours, ModelID, 1)*從點和角度計算剛性仿射變換*參數：*Row1 (輸入參數) ——原始點的行坐標*Column1 (輸入參數) ——原始點的列坐標*Angle1 (輸入參數) ——原始點的角度*Row2 (輸入參數) ——轉換點的行坐標*Column2 (輸入參數) ——轉換點的列坐標*Angle2 (輸入參數) ——轉換點的角度*HomMat2D (輸出參數) ——輸出轉換矩陣*原文鏈接：https://blog.csdn.net/m0_51271525/article/details/121017373vector_angle_to_rigid (0, 0, 0, Row, Column, Angle, HomMat2D)*ength := tuple_length (row,len)tuple_length (Row, rowLength)if(rowLength > 0)*仿射變換輪廓*對XLD輪廓進行任意仿射2D變換*將任意仿射2D變換，即縮放、旋轉、平移和傾斜（傾斜）應用于輪廓中給定的xld輪廓，并以ContoursAffineTrans的形式返回變換后的輪廓*參數：*Contours (輸入參數) ——輸入XLD輪廓。*ContoursAffineTrans (輸出參數) ——轉換后的XLD輪廓*HomMat2D (輸入參數) ——輸入轉換矩陣affine_trans_contour_xld (ModelContours, ContoursAffineTrans, HomMat2D)*顯示結果dev_display (Image)dev_set_color ('green')dev_display (ContoursAffineTrans)elsedisp_message (WindowHandle, '沒有匹配到ROI', 'window', 12, 12, 'black', 'true')endifelsedisp_message (WindowHandle, '圖片-不存在->路徑:'+imagePath, 'window', 12, 12, 'black', 'true')endif
endfor
*釋放模板句柄
clear_shape_model (ModelID)