【halcon】示例（3）——多通道图像进行分类

### Halcon 图像分割 示例代码 教程 #### 三维直方图计算与二维像素分类 为了实现基于二维像素分类的图像分割，可以利用`histo_2dim`算子来计算双通道灰度值图像的直方图，并通过`class_2dim_sup`来进行具体的分割操作[^1]。 ```hdevelop * 加载原始图像 read_image (Image, 'fabrik') * 转换颜色空间到Lab模型以便于后续处理 rgb1_to_lab (Image, Lab) * 提取L和a分量作为两个输入通道用于构建二维直方图 extract_channel(Lab,'L',Channel_L) extract_channel(Lab,'a',Channel_a) * 创建并训练一个简单的监督分类器 create_class_box ('box', [], [], [], [], [], ClassBoxHandle) add_sample_image_class_box (ClassBoxHandle, Channel_L, Channel_a, RegionTrain, []) train_class_box (ClassBoxHandle) * 应用训练好的分类器对整个图片进行预测得到最终的结果区域 classify_pix_cls_2dim (Channel_L, Channel_a, ClassBoxHandle, ResultRegion, MeasureVector) * 显示结果 dev_display(ResultRegion) ``` 这段程序展示了如何读入一幅彩色图像，将其转换成适合做色彩分析的颜色模式（这里选择了CIE L*a*b），接着提取特定的颜色成分形成特征向量供之后的操作使用。最后一步则是调用了`classify_pix_cls_2dim`函数完成实际的分类工作并将获得的目标对象轮廓显示出来。 #### 阈值分割方法概述及其应用实例 除了上述提到的方法外，在某些情况下也可以采用更为传统的阈值化技术来进行简单有效的二值化处理。Halcon提供了多种不同的阈值分割工具，比如： - `threshold`: 对单个灰度级图像实施固定的全局阈值； - `dyn_threshold`: 动态调整局部窗口内的最优切割点； - `binary_threshold`: 基础版黑白反转功能； - `auto_threshold`: 自动选取合适的分离界限； - `fast_threshold`: 快速版本适用于实时应用场景； - `var_threshold`: 可变阈值方案支持多尺度特性检测[^3]。 下面给出一段具体的应用场景——OTSU自动寻优法为例说明其基本流程： ```hdevelop * 导入待测样本数据集 read_image(Image,'mreut') * 执行Otsu算法寻找最佳门限参数 binarize_auto(Image,BinImage,'otsu',MinSize) * 绘制边界框标记感兴趣区位置 connection(BinImage,ConnectedRegions) select_shape(ConnectedRegions,SelectedRegions,'area','and',[500,inf]) smallest_rectangle1(SelectedRegions,Row1,Column1,Row2,Column2) * 展现原图连同标注后的矩形范围一起呈现给用户查看 dev_display(Image) disp_message(WindowHandle,['Object detected at:', Row1, Column1, '-', Row2, Column2],'window') ``` 此脚本先是加载了一张测试用的照片文件，随后借助内置函数实现了自动化地确定最适切分线的过程，从而区分前景目标物和其他背景杂波部分。紧接着定位到了所有符合条件的大面积连续区块，并围绕它们画出了最小外包络矩形加以突出展示。