halcon多层感知器MLP的使用

step1：准备数据

在图像选择区域作为训练集，可以是矩形，也可以是任意形状的区域。

step2：创建一个MLP

step3：添加训练数据

step4：查看训练样本数量（非必须）

step5：训练

step6：映射颜色表

step7：使用

step8：看效果

参考：classify_image_class_luthdev，texture_laws_mlphdev，segment_citrus_fruitshdev

参考：create_class_mlp (Operator)

1、将MLP模型写入文件

write_class_mlp( : : MLPHandle, FileName : )

2、从文件中读入一个MLP模型

read_class_mlp( : : FileName : MLPHandle)

3、清除MLP

clear_class_mlp( : : MLPHandle : )

最近看到一个例子，来自一个论坛，提问者想要计算图中木头的数量，悬赏了分值但是没人回复，我看到的时候这帖子已经过去好几年了。作为一个肤浅的初学者，我觉得这问题很有趣，所以打算从这个例子入手，研究下Halcon中的图像处理。

首先，从二值化开始，这张图在刚开始二值化之后出现一些问题。阈值设的高了，会弱化边角一些木头的局部区域，设的低了，会造成一些粘连。而且图像中还有一些干扰。如何在保留边角局部信息的情况下尽可能的防止粘连，是个问题。

结合这个问题，我的思路是分两步走。先把边角一些小的木头区域提取出来，再专门解决粘连的问题，问题得到了解决。

区分大小的依据主要是面积，在做了一些基本的预处理之后，可以把较小的一部分区域图像，如靠近四个边的部分木头，先分割出来了。这个过程中，需要对木头边缘做一些处理，去掉外圈的树皮，和一些干扰的区域，提取出木头截面的大块部分。

得到下图：

这一步就比较简单了，没有小面积区域的顾虑，可以做下腐蚀，让边缘更加清晰。这样就分割开来了。

把上一部分割出的大小区域分别合并，即得到木头的总数了。

btw：这个例子我也做过分水岭算法的测试，但是效果不尽如人意，主要是分割出来的区域太多了，比如图中那片白色的干扰物、右小方的竹棍等，也分割出来了。而边角一些木头的边缘区域又很难顾及到。也可能是参数设置的不够好，所以这个算法我还在研究。

以上是我自己的一些浅薄的思路，希望随着学习的深入，能发现更好的方式。

以上就是关于halcon多层感知器MLP的使用全部的内容，包括:halcon多层感知器MLP的使用、Halcon粘连图象分割与计数、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！