Halcon图像灰度值运算&图像截取及合并&灰度特征值介绍

这篇具有很好参考价值的文章主要介绍了Halcon图像灰度值运算&图像截取及合并&灰度特征值介绍。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

灰度膨胀运算gray_dilation_rect

算子gray_dilation_rect(Image : ImageMax : MaskHeight, MaskWidth : )

示例:gray_dilation_rect (Image, ImageMax, 11, 11)

Image(输入对象):输入灰度图对象

ImageMax(输出对象):输出膨胀后的灰度图对象

11(输入参数1):滤波器掩模的高度 数值越大 效果越明显

11(输入参数2):滤波器掩模的宽度 数值越大 效果越明显

灰度腐蚀运算gray_erosion_rect

算子:gray_erosion_rect(Image : ImageMin : MaskHeight, MaskWidth : )

示例:gray_erosion_rect (Image, ImageMin, 11, 11)

       Image(输入对象):输入灰度图对象

       ImageMin(输出对象):输出腐蚀后的灰度图对象

       11(输入参数1):滤波器掩模的高度 数值越大 效果越明显

       11(输入参数2):滤波器掩模的宽度 数值越大 效果越明显

灰度开运算

算子:gray_opening_rect(Image : ImageOpening : MaskHeight, MaskWidth : )

示例:gray_opening_rect (Image, ImageOpening, 11, 11)

Image(输入对象):输入灰度图对象

ImageOpening(输出对象):输出开运算后的灰度图对象

11(输入参数1):滤波器掩模的高度 数值越大 效果越明显

11(输入参数2):滤波器掩模的宽度 数值越大 效果越明显

灰度闭运算

算子:gray_closing_rect(Image : ImageClosing : MaskHeight, MaskWidth : )

示例:gray_closing_rect (Image, ImageClosing, 11, 11)

Image(输入对象):输入灰度图对象

ImageClosing(输出对象):输出闭运算后的灰度图对象

11(输入参数1):滤波器掩模的高度 数值越大 效果越明显

11(输入参数2):滤波器掩模的宽度 数值越大 效果越明显

3.2图像截取及合并

取出部分区域的图像作为新图像: crop_part

算子:crop_part(Image : ImagePart : Row, Column, Width, Height : )

示例:crop_part (ImageReduced1, ImagePart, 435.996, 295.311, 780.522, 618.808)

ImageReduced1(输入对象):输入图像对象

ImagePart(输出对象):输出截取的图像对象

435.996(输入控制参数1):图像截取的起始点行坐标

295.311(输入控制参数2):图像截取的起始点列坐标

780.522(输入控制参数3):截取图像的宽

618.808(输入控制参数4):截取图像的高

将几幅图合并为一幅图: tile_images_offset

算子:tile_images_offset(Images : TiledImage : OffsetRow, OffsetCol, Row1, Col1, Row2, Col2, Width, Height : )

示例:tile_images_offset (ImagePart, TiledImage, Row10, Column10, Row16, Column16, Row25, Column25, Width, Height)

  ImagePart(输入对象):输入图像对象

TiledImage(输出对象):输出拼接好的图像对象

Row10(输出控制参数1):拼接后图像中输入图像左上角的行坐标

Column10(输出控制参数2):拼接后图像中输入图像左上角的列坐标

Row16(输出控制参数3):裁切图像左上角行坐标

Column16(输出控制参数4):裁切图像左上角列坐标

    Row25(输出控制参数5):裁切图像右下角行坐标

Column25(输出控制参数6):裁切图像右下角列坐标

Width(输出控制参数7):拼接后图像宽Height(输出控制参数8):拼接后图像高

3.3图像的灰度特征值介绍

获取灰度直方图:gray_histo

算子:gray_histo(Regions, Image : : : AbsoluteHisto, RelativeHisto)

示例:gray_histo (Region6, Image1, AbsoluteHisto, RelativeHisto)

               Region6(输入对象):输入二值化区域

               Image1(输出对象):输入灰度图像

AbsoluteHisto(输出控制参数1):输出在该区域面积内对应灰度值出现的频率百分比

RelativeHisto(输出控制参数2):输出对应灰度值出现的频数

计算区域中的平均灰度和方差:intensity

算子:intensity(Regions, Image : : : Mean, Deviation)

示例:intensity (Region5, Image1, Mean, Deviation)

       Region5(输入对象1):输入区域对象

       Image1(输入对象2):输入图像对象

       Mean(输出控制参数1):输出平均灰度值

       Deviation(输出控制参数2):输出方差文章来源地址https://www.toymoban.com/news/detail-698737.html

到了这里,关于Halcon图像灰度值运算&图像截取及合并&灰度特征值介绍的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 12、特征值与特征向量

    目录 一、特征值和特征向量的定义 二、特征值和特征向量的相关函数 三、特征值和特征向量的计算 假设A是一个n×n的矩阵,A的特征值问题就是找到下面方程组的解: 其中,λ为标量,V为矢量,若把矩阵A的n个特征值放在矩阵P的对角线上,相应的特征向量按照与特征值对应

    2024年02月07日
    浏览(44)
  • 线性代数|证明:矩阵特征值的倒数是其逆矩阵的特征值

    性质 1 若 λ lambda λ 是 A boldsymbol{A} A 的特征值,当 A boldsymbol{A} A 可逆时, 1 λ frac{1}{lambda} λ 1 ​ 是 A − 1 boldsymbol{A}^{-1} A − 1 的特征值。 证明 因为 λ lambda λ 是 A boldsymbol{A} A 的特征值,所以有 p ≠ 0 boldsymbol{p} ne 0 p  = 0 使 A p = λ p boldsymbol{A} boldsymbol{p} = lambda

    2024年02月08日
    浏览(49)
  • 线性代数 --- 特征值与特征向量

    Part I:特征值,特征向量的意义与性质         已知任意向量x,现有矩阵A对x进行操作后,得到新的向量Ax。这就好比是自变量x与函数f(x)的关系一样,向量x通过类似“函数”的处理得到了一个新的向量Ax。这个新的向量可能和原向量x方向相同,也可能不同(事实上大多都不同

    2024年03月10日
    浏览(49)
  • 特征值和特征向量的通俗解释

    我们知道,特征向量的公式是                 ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​         其中A代表矩阵,x代表特征向量,代表特征值。 众所

    2024年02月15日
    浏览(31)
  • 《数值分析》-3-特征值与特征矩阵

    搜索技术的很多方面的知识发现都依赖于特征值或奇异值问题,涉及到特征值计算问题。 计算特征值没有直接的方法。 定位特征值的计算方法基于幂迭代的思想,这是求解特征值的一类迭代方法。该思想的一个复杂版本被称为QR算法,是确定典型矩阵所有特征值的一般方法。

    2024年02月08日
    浏览(46)
  • 线性代数——特征值和特征向量

    学习高等数学和线性代数需要的初等数学知识 线性代数——行列式 线性代数——矩阵 线性代数——向量 线性代数——线性方程组 线性代数——特征值和特征向量 线性代数——二次型 本文大部分内容皆来自李永乐老师考研教材和视频课。 设 A = [ a i j ] A=[a_{ij}] A = [ a ij ​

    2024年02月15日
    浏览(44)
  • 线性代数 --- 特征值与特征向量(下)

    Eigen Values Eigen Vectors Part III:如何求解特征向量与特征值 对于一般矩阵A,如何找到他的特征值与特征向量? Step I: Find λ first! 首先,我们有方程: 但这里有两个未知数,因此我们把上面的方程改写一下:         这个齐次方程的解就是矩阵(A-I)的零空间,抛开平凡解全0向

    2024年03月14日
    浏览(48)
  • LA@特征值和特征向量的性质

    特征值之和 ∑ i = 1 n λ i = ∑ i = 1 n a i i sumlimits_{i=1}^{n}lambda_i=sumlimits_{i=1}^{n}a_{ii} i = 1 ∑ n ​ λ i ​ = i = 1 ∑ n ​ a ii ​ 其中 ∑ i = 1 n a i i sum_{i=1}^{n}a_{ii} ∑ i = 1 n ​ a ii ​ 称为矩阵的迹,记为 T r ( A ) Tr(bold A) T r ( A ) 特征值之积 ∏ i = 1 n λ i = ∣ A ∣ prod_{i=1}^{n}lambda

    2024年02月10日
    浏览(40)
  • MATLAB矩阵的特征值与特征向量

    设A是n阶方阵,如果存在常数λ和n维非零列向量x,使得等式Ax = λx 成立,则称λ为A的特征值,x是对应特征值λ的特征向量。 在MATLAB中,计算矩阵的特征值与特征向量的函数是eig,常用的调用格式有两种: E = eig(A):求矩阵A的全部特征向量值,构成向量E。 [X,D] = eig(A):

    2024年02月11日
    浏览(41)
  • 线性代数基础 | 特征值和特征向量

    一、特征值和特征向量的定义 A. 特征值的定义和性质 特征值(eigenvalue)是线性代数中一个重要的概念,用于描述线性变换对于某个向量的伸缩效应。在本文中,我们将深入讨论特征值的定义和性质。 首先,我们考虑一个线性变换(或者说一个方阵)A。对于一个非零向量v,

    2024年02月16日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包