Halcon图像处理之图像增强(2)

黑桃不带K

已于 2023-03-25 22:04:42 修改

阅读量1.7k

点赞数 2

CC 4.0 BY-SA版权

文章标签：图像处理计算机视觉算法

于 2023-03-25 22:03:03 首次发布

本文链接：https://blog.csdn.net/qq_36559788/article/details/129771903

本文介绍了数据增强在缺陷检测和尺寸测量项目中的实践经验，涉及滤波网络如高通、低通和高斯滤波，图像增强算法如Halcon库中的强调、乘法和对数变换，以及卷积网络和边沿检测方法如Sobel核和拉普拉斯核。此外，还讨论了快速傅里叶变换在图像处理中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一直想写一篇关于数据增强的文章，奈何做的项目比较少，导致部分内容存在纸上谈兵的嫌疑，刚好，最近一年在缺陷检测及尺寸测量上有了一定想项目经验，特此写下本篇博客，希望对各位博友有所帮助

1、滤波网络

    常用的滤波网络包括：高通滤波、低通滤波、中值滤波网络等，上述常用的网络其实在现实的应用场景中用的比较少，除了上述网络外还有高斯滤波，均值滤波等，这种网络有利于除去图像中的噪点，

高通滤波

 highpass_image (Image, Highpass, 9, 9)

对比如下：

高通滤波

低通滤波

lowlands (Image, Lowlands)

低通滤波器

带通滤波

bandpass_image (Image, ImageBandpass, 'lines')

带通滤波

高斯滤波

gauss_filter (Image, ImageGauss, 5)

高斯滤波器

均值滤波

mean_image (Image, ImageMean, 9, 9)

中值滤波

2、图像增强

Halcon自带图像增强

Halcon自带的图像增强算法效果还是比较好的

emphasize (Image, ImageEmphasize, 7, 7, 2)

halcon自带增强算法

图像乘法

scale_image (Image, ImageScaled, 10, 0)

图像乘法

图像加法

add_image (Image, ImageEmphasize, ImageResult, 0.5, 0)

图像加法

对数变换

log_image (Image, LogImage, 'e')

对数变换

指数变换

exp_image (Image, ExpImage, 'e')

在这里插入图片描述

图像取反

invert_image (Image, ImageInvert)

![图像取反](https://img-blog.csdnimg.cn/7c7c9db31f01494db43d625bb1dd688c.png

3、卷积网络

传统算法中的卷积网络在边沿提取中往往能够得到比较好的效果，常用的卷积核也比较多，如高斯核以及Sobel核

Sobel核

sobel_amp (Image, EdgeAmplitude, 'sum_abs', 3)

Sobel边沿提取

sobel边沿提取

拉普拉斯核

拉普拉斯核常用在边沿提取上，一般为对称矩阵，能突出图像中的急剧灰度变化，抑制灰度缓慢变化区域，往往会产生暗色背景下的灰色边缘和不连续图像。将拉普拉斯图像与原图叠加，可以得到保留锐化效果的图像

laplace_of_gauss (Image, ImageLaplace, 2)

在这里插入图片描述
拉普拉斯滤波

卷积网络

所提卷积为传统算法中的一种滤波网络，与深度学习中的卷积网络有所不同，卷积核亦不同。当然其原理是相似的，都是一种滤波器。

sobelXright := [3,3,1,  \
               -1,0,1,  \
               -2,0,2,  \
               -1,0,1 ]
* 看kernel结构，我们可以推断出，将检测出图像中X方向由暗到亮的边缘
convol_image (Image, ImageResultxright, sobelXright, 'mirrored')

快速傅里叶变换

rft_generic (Image, ImageFFT, 'to_freq', 'sqrt', 'complex', 16)