中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
HALCON機器視覺算法原理與編程實戰 版權信息
- ISBN：9787301309049
- 條形碼：9787301309049 ; 978-7-301-30904-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
HALCON機器視覺算法原理與編程實戰 本書特色
隨著機器視覺技術的飛速發展，大量需要使用機器視覺代替人工檢測的需求應運而生。Halcon在開發機器視覺項目中表現出的高效性和穩定性，使其應用范圍非常廣泛。本書將針對機器視覺的原理和算法，以及如何應用算法解決問題進行探討和說明，并利用Halcon對各種機器視覺算法進行舉例，讓讀者全面、深入、透徹地理解Halcon機器視覺開發過程中的各種常用算法的原理及其應用方法，提高實際開發水平和項目實戰能力。同時，也為機器視覺項目的管理者提供項目管理和技術參考。
《Halcon機器視覺算法原理與編程實戰》適合需要全面學習機器視覺算法的初學者，希望掌握Halcon進行機器視覺項目開發的程序員，需要了解機器視覺項目開發方法的工業客戶、機器視覺軟件開發項目經理、專業培訓機構的學員，以及對機器視覺算法興趣濃厚的人員閱讀。
HALCON機器視覺算法原理與編程實戰 內容簡介
隨著機器視覺技術的飛速發展，大量需要使用機器視覺代替人工檢測的需求應運而生。Halcon在開發機器視覺項目中表現出的高效性和穩定性，使其應用范圍很好廣泛。本書將針對機器視覺的原理和算法，以及如何應用算法解決問題進行探討和說明，并利用Halcon對各種機器視覺算法進行舉例，讓讀者全面、深入、透徹地理解Halcon機器視覺開發過程中的各種常用算法的原理及其應用方法，提高實際開發水平和項目實戰能力。同時，也為機器視覺項目的管理者提供項目管理和技術參考。 《Halcon機器視覺算法原理與編程實戰》適合需要全面學習機器視覺算法的初學者，希望掌握Halcon進行機器視覺項目開發的程序員，需要了解機器視覺項目開發方法的工業客戶、機器視覺軟件開發項目經理、專業培訓機構的學員，以及對機器視覺算法興趣濃厚的人員閱讀。
HALCON機器視覺算法原理與編程實戰 目錄
第 1章 機器視覺概述 002
1.1什么是機器視覺 003
1.2機器視覺與計算機視覺的區別 003
1.3機器視覺的工作原理 005
1.4機器視覺的應用領域 006
第 2章 如何做機器視覺項目 008
2.1項目的前期準備 009
2.1.1從 5個方面初步分析客戶需求 009
2.1.2方案評估與驗證 009
2.1.3簽訂合同 010
2.2項目規劃 011
2.2.1定義客戶的詳細需求 011
2.2.2制訂項目管理計劃 011
2.2.3方案評審 012
2.3詳細設計 012
2.3.1硬件設備的選擇與環境搭建 012
2.3.2軟件開發平臺與開發工具的選擇 013
2.3.3機器視覺系統的整體框架與開發流程 013
2.3.4交互界面設計 014
2.3.5 Halcon與開發工具 014
2.4項目交付 015
2.4.1軟件功能測試 015
2.4.2現場調試 015
2.4.3系統維護 016
第 3章 硬件環境搭建 017
3.1相機 018
3.1.1相機的主要參數 018
3.1.2相機的種類 019
3.1.3相機的接口 020
3.1.4相機的選型 020
3.2圖像采集卡 022
3.2.1圖像采集卡的種類 022
3.2.2圖像采集卡的選型 023
3.3鏡頭 023
3.4光源 024
3.5實例：硬件選型 025
第 4章 軟件圖像采集 026
4.1獲取非實時圖像 027
4.1.1讀取圖像文件 027
4.1.2讀取視頻文件 028
4.2獲取實時圖像 030
4.2.1 Halcon的圖像采集步驟 030
4.2.2 使用 Halcon接口連接相機 030
4.2.3 使用相機的 SDK采集圖像 033
4.2.4外部觸發采集圖像 033
4.3 多相機采集圖像 034
4.4 Halcon圖像的基本結構 035
4.5 實例：采集 Halcon圖像并進行簡單處理036
第 5章 圖像預處理 040
5.1圖像的變換與校正 041
5.1.1二維圖像的平移、旋轉和縮放 041
5.1.2圖像的仿射變換 042
5.1.3投影變換 042
5.1.4實例：透視形變圖像校正 043
5.2 感興趣區域（ROI）045
5.2.1 ROI的意義 045
5.2.2創建 ROI045
5.3 圖像增強046
5.3.1直方圖均衡 046
5.3.2增強對比度 ·048
5.3.3處理失焦圖像 049
5.4 圖像平滑與去噪 049
5.4.1均值濾波 049
5.4.2中值濾波 050
5.4.3高斯濾波 051
5.5 光照不均勻 052
第 6章 圖像分割 054
6.1閾值處理 055
6.1.1全局閾值 055
6.1.2基于直方圖的自動閾值分割方法 056
6.1.3自動全局閾值分割方法 057
6.1.4局部閾值分割方法 058
6.1.5其他閾值分割方法 060
6.2 區域生長法062
6.2.1 regiongrowing算子062
6.2.2 regiongrowing_mean算子064
6.3 分水嶺算法065
第 7章 顏色與紋理067
7.1圖像的顏色068
7.1.1圖像的色彩空間068
7.1.2 Bayer圖像069
7.1.3顏色空間的轉換070
7.2 顏色通道的處理 070
7.2.1圖像的通道 071
7.2.2訪問通道 071
7.2.3通道分離與合并 071
7.2.4處理 RGB信息 073
7.3實例：利用顏色信息提取背景相似的字符區域 074
7.4 紋理分析 075
7.4.1紋理濾波器 075
7.4.2實例：織物折痕檢測 076
第 8章 圖像的形態學處理 077
8.1腐蝕與膨脹 078
8.1.1結構元素 078
8.1.2腐蝕 078
8.1.3膨脹 080
8.2開運算與閉運算 082
8.2.1開運算 082
8.2.2閉運算 084
8.3頂帽運算與底帽運算 085
8.3.1頂帽運算 086
8.3.2底帽運算 086
8.3.3頂帽運算與底帽運算的應用 087
8.4灰度圖像的形態學運算 089
8.4.1灰度圖像與區域的區別 089
8.4.2灰度圖像的形態學運算效果及常用算子 089
8.5實例：粘連木材圖像的目標分割與計數 091
第 9章 特征提取 095
9.1區域形狀特征 096
9.1.1區域的面積和中心點 096
9.1.2封閉區域（孔洞）的面積 097
9.1.3根據特征值選擇區域 098
9.1.4根據特征值創建區域 100
9.2基于灰度值的特征 103
9.2.1區域的灰度特征值 103
9.2.2區域的*大、*小灰度值 105
9.2.3灰度的平均值和偏差 106
9.2.4灰度區域的面積和中心 107
9.2.5根據灰度特征值選擇區域 107
9.3基于圖像紋理的特征 109
9.3.1灰度共生矩陣 109
9.3.2創建灰度共生矩陣 110
9.3.3用共生矩陣計算灰度值特征 111
9.3.4計算共生矩陣并導出其灰度值特征 111
9.3.5實例：提取圖像的紋理特征 112
第10 章 邊緣檢測 115
10.1像素級邊緣提取 116
10.1.1經典的邊緣檢測算子 116
10.1.2邊緣檢測的一般流程 117
10.1.3 sobel_amp算子 117
10.1.4 edges_image算子 120
10.1.5其他濾波器 122
10.2亞像素級邊緣提取 124
10.2.1 edges_sub_pix算子 125
10.2.2 edges_color_sub_pix算子 126
10.2.3 lines_gauss算子 127
10.3輪廓處理 129
10.3.1輪廓的生成 130
10.3.2輪廓的處理 130
第11 章 模板匹配134
11.1模板匹配的種類 135
11.1.1基于灰度值的模板匹配 135
11.1.2基于相關性的模板匹配 136
11.1.3基于形狀的模板匹配 136
11.1.4基于組件的模板匹配 137
11.1.5基于形變的模板匹配 138
11.1.6基于描述符的模板匹配 138
11.1.7基于點的模板匹配 139
11.1.8模板匹配方法總結 139
11.2圖像金字塔 140
11.3模板圖像 142
11.3.1從參考圖像的特定區域中創建模板 ·142
11.3.2使用 XLD輪廓創建模板 143
11.4模板匹配的步驟 143
11.4.1基于灰度值的模板匹配 143
11.4.2基于相關性的模板匹配 145
11.4.3基于形狀的模板匹配 147
11.4.4基于組件的模板匹配 149
11.4.5基于局部形變的模板匹配 150
11.4.6基于透視形變的模板匹配 152
11.4.7基于描述符的模板匹配 153
11.4.8優化匹配速度 155
11.4.9使用 Halcon匹配助手進行匹配 156
11.5實例：指定區域的形狀匹配 159
第12 章 圖像分類 163
12.1分類器 164
12.1.1分類的基礎知識 164
12.1.2 MLP分類器 166
12.1.3 SVM分類器 166
12.1.4 GMM分類器 166
12.1.5 k-NN分類器 167
12.1.6選擇合適的分類器 167
12.1.7選擇合適的特征 168
12.1.8選擇合適的訓練樣本 168
12.2特征的分類 169
12.2.1一般步驟 169
12.2.2 MLP分類器 170
12.2.3 SVM分類器 176
12.2.4 GMM分類器 176
12.2.5 k-NN分類器 177
12.3光學字符識別 178
12.3.1一般步驟 179
12.3.2 OCR實例 179
1.1什么是機器視覺 003
1.2機器視覺與計算機視覺的區別 003
1.3機器視覺的工作原理 005
1.4機器視覺的應用領域 006
第 2章 如何做機器視覺項目 008
2.1項目的前期準備 009
2.1.1從 5個方面初步分析客戶需求 009
2.1.2方案評估與驗證 009
2.1.3簽訂合同 010
2.2項目規劃 011
2.2.1定義客戶的詳細需求 011
2.2.2制訂項目管理計劃 011
2.2.3方案評審 012
2.3詳細設計 012
2.3.1硬件設備的選擇與環境搭建 012
2.3.2軟件開發平臺與開發工具的選擇 013
2.3.3機器視覺系統的整體框架與開發流程 013
2.3.4交互界面設計 014
2.3.5 Halcon與開發工具 014
2.4項目交付 015
2.4.1軟件功能測試 015
2.4.2現場調試 015
2.4.3系統維護 016
第 3章 硬件環境搭建 017
3.1相機 018
3.1.1相機的主要參數 018
3.1.2相機的種類 019
3.1.3相機的接口 020
3.1.4相機的選型 020
3.2圖像采集卡 022
3.2.1圖像采集卡的種類 022
3.2.2圖像采集卡的選型 023
3.3鏡頭 023
3.4光源 024
3.5實例：硬件選型 025
第 4章 軟件圖像采集 026
4.1獲取非實時圖像 027
4.1.1讀取圖像文件 027
4.1.2讀取視頻文件 028
4.2獲取實時圖像 030
4.2.1 Halcon的圖像采集步驟 030
4.2.2 使用 Halcon接口連接相機 030
4.2.3 使用相機的 SDK采集圖像 033
4.2.4外部觸發采集圖像 033
4.3 多相機采集圖像 034
4.4 Halcon圖像的基本結構 035
4.5 實例：采集 Halcon圖像并進行簡單處理036
第 5章 圖像預處理 040
5.1圖像的變換與校正 041
5.1.1二維圖像的平移、旋轉和縮放 041
5.1.2圖像的仿射變換 042
5.1.3投影變換 042
5.1.4實例：透視形變圖像校正 043
5.2 感興趣區域（ROI）045
5.2.1 ROI的意義 045
5.2.2創建 ROI045
5.3 圖像增強046
5.3.1直方圖均衡 046
5.3.2增強對比度 ·048
5.3.3處理失焦圖像 049
5.4 圖像平滑與去噪 049
5.4.1均值濾波 049
5.4.2中值濾波 050
5.4.3高斯濾波 051
5.5 光照不均勻 052
第 6章 圖像分割 054
6.1閾值處理 055
6.1.1全局閾值 055
6.1.2基于直方圖的自動閾值分割方法 056
6.1.3自動全局閾值分割方法 057
6.1.4局部閾值分割方法 058
6.1.5其他閾值分割方法 060
6.2 區域生長法062
6.2.1 regiongrowing算子062
6.2.2 regiongrowing_mean算子064
6.3 分水嶺算法065
第 7章 顏色與紋理067
7.1圖像的顏色068
7.1.1圖像的色彩空間068
7.1.2 Bayer圖像069
7.1.3顏色空間的轉換070
7.2 顏色通道的處理 070
7.2.1圖像的通道 071
7.2.2訪問通道 071
7.2.3通道分離與合并 071
7.2.4處理 RGB信息 073
7.3實例：利用顏色信息提取背景相似的字符區域 074
7.4 紋理分析 075
7.4.1紋理濾波器 075
7.4.2實例：織物折痕檢測 076
第 8章 圖像的形態學處理 077
8.1腐蝕與膨脹 078
8.1.1結構元素 078
8.1.2腐蝕 078
8.1.3膨脹 080
8.2開運算與閉運算 082
8.2.1開運算 082
8.2.2閉運算 084
8.3頂帽運算與底帽運算 085
8.3.1頂帽運算 086
8.3.2底帽運算 086
8.3.3頂帽運算與底帽運算的應用 087
8.4灰度圖像的形態學運算 089
8.4.1灰度圖像與區域的區別 089
8.4.2灰度圖像的形態學運算效果及常用算子 089
8.5實例：粘連木材圖像的目標分割與計數 091
第 9章 特征提取 095
9.1區域形狀特征 096
9.1.1區域的面積和中心點 096
9.1.2封閉區域（孔洞）的面積 097
9.1.3根據特征值選擇區域 098
9.1.4根據特征值創建區域 100
9.2基于灰度值的特征 103
9.2.1區域的灰度特征值 103
9.2.2區域的*大、*小灰度值 105
9.2.3灰度的平均值和偏差 106
9.2.4灰度區域的面積和中心 107
9.2.5根據灰度特征值選擇區域 107
9.3基于圖像紋理的特征 109
9.3.1灰度共生矩陣 109
9.3.2創建灰度共生矩陣 110
9.3.3用共生矩陣計算灰度值特征 111
9.3.4計算共生矩陣并導出其灰度值特征 111
9.3.5實例：提取圖像的紋理特征 112
第10 章 邊緣檢測 115
10.1像素級邊緣提取 116
10.1.1經典的邊緣檢測算子 116
10.1.2邊緣檢測的一般流程 117
10.1.3 sobel_amp算子 117
10.1.4 edges_image算子 120
10.1.5其他濾波器 122
10.2亞像素級邊緣提取 124
10.2.1 edges_sub_pix算子 125
10.2.2 edges_color_sub_pix算子 126
10.2.3 lines_gauss算子 127
10.3輪廓處理 129
10.3.1輪廓的生成 130
10.3.2輪廓的處理 130
第11 章 模板匹配134
11.1模板匹配的種類 135
11.1.1基于灰度值的模板匹配 135
11.1.2基于相關性的模板匹配 136
11.1.3基于形狀的模板匹配 136
11.1.4基于組件的模板匹配 137
11.1.5基于形變的模板匹配 138
11.1.6基于描述符的模板匹配 138
11.1.7基于點的模板匹配 139
11.1.8模板匹配方法總結 139
11.2圖像金字塔 140
11.3模板圖像 142
11.3.1從參考圖像的特定區域中創建模板 ·142
11.3.2使用 XLD輪廓創建模板 143
11.4模板匹配的步驟 143
11.4.1基于灰度值的模板匹配 143
11.4.2基于相關性的模板匹配 145
11.4.3基于形狀的模板匹配 147
11.4.4基于組件的模板匹配 149
11.4.5基于局部形變的模板匹配 150
11.4.6基于透視形變的模板匹配 152
11.4.7基于描述符的模板匹配 153
11.4.8優化匹配速度 155
11.4.9使用 Halcon匹配助手進行匹配 156
11.5實例：指定區域的形狀匹配 159
第12 章 圖像分類 163
12.1分類器 164
12.1.1分類的基礎知識 164
12.1.2 MLP分類器 166
12.1.3 SVM分類器 166
12.1.4 GMM分類器 166
12.1.5 k-NN分類器 167
12.1.6選擇合適的分類器 167
12.1.7選擇合適的特征 168
12.1.8選擇合適的訓練樣本 168
12.2特征的分類 169
12.2.1一般步驟 169
12.2.2 MLP分類器 170
12.2.3 SVM分類器 176
12.2.4 GMM分類器 176
12.2.5 k-NN分類器 177
12.3光學字符識別 178
12.3.1一般步驟 179
12.3.2 OCR實例 179
展開全部
HALCON機器視覺算法原理與編程實戰 作者簡介
楊青，北京大學軟件工程碩士，現任某科研單位圖像算法主管。2010年以來一直從事圖像視覺算法與軟件研發工作，2015年起開始主導機器視覺項目，曾負責雙目立體視覺探測、基于機器視覺的自動化產品檢測、顯示器缺陷檢測、智能識別等多個視覺項目。為醫療、航天、工業、科研等多個領域的客戶提供了智能場景的機器視覺系統的軟硬件方案。
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
名家帶你讀魯迅:故事新編
- >
羅庸西南聯大授課錄
- >
有舍有得是人生
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
推拿
- >
史學評論
本類暢銷
