关于Halcon中variation_model模型的快速解读。-Toy模板网

这篇具有很好参考价值的文章主要介绍了关于Halcon中variation_model模型的快速解读。。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。

　　十一期间在家用期间研读了下Halcon的variation_model模型，基本上全系复现了他的所有技术要求和细节，这里做个记录。

　　其实这个模型的所有原理都不是很复杂的，而且Halcon中的帮助文档也讲的很是清楚，所以通过猜测、测试、编码基本能搞清楚是怎么回事。

　　关于这个模型，Halcon里有如下十来个函数：

　　create_variation_model、prepare_variation_model, train_variation_model、compare_variation_model、prepare_direct_variation_model、clear_variation_model, clear_train_data_variation_model, compare_ext_variation_model, get_thresh_images_variation_model, get_variation_model、 clear_train_data_variation_model, write_variation_model 。

　　看起来涉及到了蛮多的东西的。

　　那么一般的工作流程是：create_variation_model ---> train_variation_model　--->　prepare_variation_model ---> compare_variation_model ---> clear_variation_mode。

　　即：创建模型，然后训练模型，接着就是准备模型，这个时候就可以使用了，那么可以开始做输入比较了，比较完事了，清楚模型。

　　所谓的variation_model的模型呢，其实是从一系列已经确认是OK的样图中，训练出2幅结果图，即上限图和下限图，也可以认为是训练出图像公差带，当要进行比较的时候，就看输入的图像的每个像素是否位于这个公差带之类，如果是，则这个点是合格的，不是，则这个像素点就是不合格的区域。

　　那么在Halcon中，把这个工作就分解为了上面这一大堆函数。我们稍微来对每个函数做个解析。

　　一、create_variation_model 创建模型。

　　这个算子有如下几个参数：

　　　　　　create_variation_model( : : Width, Height, Type, Mode : ModelID)

　　这里主要是注意Type和Mode两个参数。　　

　　其中Type可以取'byte', 'int2', 'uint2' 这三种类型，我这里的解读是这个算子支持我们常用的8位灰度图像和 16位的Raw图像， 16位因为有signed short和unsigned short，所有这里也有int2 和uint2两种类型。

　　Mode参数有3个选择，: 'standard', 'robust', 'direct'，这也是这个算子的灵魂所在，具体的做法后续再说，在创建时只是保存了他们的值，并没有做什么。

　　那么创建的工作要做的一个事情就是分配内存，Halcon里的帮助文章是这样描述的：

　　A variation model created with create_variation_model requires 12*Width*Height bytes of memory for Mode = 'standard' and Mode = 'robust' for Type = 'byte'. For Type = 'uint2' and Type = 'int2', 14*Width*Height are required. For Mode = 'direct' and after the training data has been cleared with clear_train_data_variation_model, 2*Width*Height bytes are required for Type = 'byte' and 4*Width*Height for the other image types.

　　为什么是这样的内存，我们后续再说，接着看下一个函数。

　　二、train_variation_model 训练模型

　　这个算子是这个功能的最有特色的地方，他用于计算出variation_model 模型中的 ideal image和 variation image，即理想图像和方差图像。

　　当Mode选择 'standard', 'robust'时，此算子有效，当Mode为'direct'无效。

　　Mode为 'standard'时，训练采用求多幅平均值的方式获取理想图像以及对应的方差图像，Mode为 'robust'时，采用，求多幅图像的中间值的方式获取理想图像以及对应的方差图像。

　　注意，这里的求均值和方差是针对同一坐标位置，不同图像而言的，而不是针对单一图像领域而言，这个概念一定不能能错了，比如训练5副图像，他们某一行的对应位置数据分别为：

关于Halcon中variation_model模型的快速解读。

　　当选择模式为 'standard'，训练结果的 ideal image 值应该是（实际还需要四舍五入求整）：　　

关于Halcon中variation_model模型的快速解读。

　　当选择模式为 'robust'，训练结果的 ideal image 值应该是:

关于Halcon中variation_model模型的快速解读。

　　当选择'standard'模式，我们可以在找到一副OK图像的时候，单独把这幅图像的数据训练到variation_model模型，而如果使用'robust'方式，则必须一次性把所有的OK图像添加到训练模型中，无法动态的添加对象，但是，由于'robust'模式采用的是中值的方式，因此，其抗噪音效果要好很多。

　　为什么'standard'模式可以随时添加，而'robust'只能一次性添加，其实这个也很简单，前一次求平均值的信息如果临时保存了，那么在新的OK图需要添加时，可以直接利用前一次的有关信息进行沟通，而如果是采用求中值的方式，前面的排序信息一是难以保存（数据量大），二是即使保存了，对本次排序的作用也不大。

　　这个时候我们停来下分析下前面Halcon文档里的提出的variation_model模型的内存占用大小，假如我们的Type是byte类型，使用'standard'模式，那么Ideal Image占用一份Width*Height字节内存，variation image必须是浮点类型的，占用 4 * Width*Height字节内存，另外，我们能随时添加新的OK的图像，应该还需要一个临时的int 类型的数据保存累加值（虽然Ideal Image保存了平均值，但是他是已经进行了取舍了，精度不够），这需要额外的4 * Width*Height字节内存，后面我们提到variation_model还需要有2个width * height自己大小的内存用来保存上限和下限的图像数据，因此这里就有大概 1 + 4 + 4 + 2 = 11 * width * height的内存了，还差一个，呵呵，不知道干啥的了。

　　选择'robust'模式时， ideal image好说，就是取中间值，但是对于variation image，并不是普通的方差图像，在halcon中时这样描述的：The corresponding variation image is computed as a suitably scaled median absolute deviation of the training images and the median image at the respective image positions，实际上，他这里是计算的绝对中位差，即计算下面这个数的中间值了。　　　　　　　

　　　　　　　　　MAD=median(∣X−median(X)∣)

　　这个还需要举例说明吗？？？？

　　对于使用‘standard’模式的计算优化，也是有很多技巧的，不过这个应该很多人能掌握吧。但是如果是'robust'模式，直接写求中值的方法大家应该都会，但是因为这是个小规模大批量的排序和求中值的过程，其实是非常耗时的，比如W = 1000， H=1000，如果训练20副图像，那么就是1000*1000 = 100万个20个数字的排序，而且还涉及到到一个非常严重的cache miss问题。即这20个数字的读取每次都是跨越很大的内存地址差异的。

　　如何提高这个排序的过程，我觉得在这里指令集是有最大的优势的，他有两个好处，一是一次性处理多个字节，比如SSE处理16个字节，这样我也就可以一次性加载16个字节，整体而言就少了很多次cache miss，第二，如果我需要利用指令集，则我需要尽量的避免条件判断，因此，很多稍微显得高级一点的排序都不太合适，我需要找到那种固定循环次数的最为有效，比如冒泡排序，他就是固定的循环次数。

　　对于N个图像的逐像素排序求中值，一个简单的C代码如下所示：

　　关于Halcon中variation_model模型的快速解读。