少有人走的路转载自：https://blog.csdn.net/akadiao/article/details/80081842
分类器简介
机器学习在Helcon中的一个重要应用就是用于图像分类任务。Halcon中常用的分类器有GMM（高斯混合模型）、Neural Nets（神经网络）、SVM（支持向量机）等。一般应付常见的分类问题，这些就足够了。
使用方法
一般使用过程：
创建分类器（create_class_…）
获取各个类别的特征向量
将各个类别训练样本的特征向量添加到分类器中（add_sample_class_…）
训练（train_class_…）
获取待分类图像的特征向量
通过分类器计算特征向量的类（classify_class_…）
清除分类器（clear_class_…）
当然，若希望在训练结束后保存训练模型，然后每次使用时通过读取训练模型来实现分类的话，则需要添加模型的保存（write_class_…）与读取（read_class_）。
应用示例
分类对象0为：
以MLP分类器为例：
图像和代码
read_image(Image1, 'Big/大帽正常2017-2-16_16_5_520.bmp')
Classes := ['Big','Small']
*获取特征向量
gen_features (Image1, FeatureVector0)
*创建一个多层感知器
create_class_mlp (|FeatureVector0|, 15, |Classes|, 'softmax', 'normalization', 10, 42, Handle)
*训练分类0list_files ('Big', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)for Index := 0 to |ImageFiles|-1 by 1
read_image (Image, ImageFiles[Index])
threshold (Image, region1, 1, 255)
reduce_domain(Image, region1, ImageReduced1)
crop_domain(ImageReduced1, ImagePart1)
gen_features (ImagePart1, FeatureVector)
*把一个训练样本添加到一个多层感知器的训练数据中
add_sample_class_mlp (Handle, FeatureVector, 0)
endfor
*训练分类1list_files ('Small', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)for Index := 0 to |ImageFiles| - 1 by 1
read_image (Image, ImageFiles[Index])
*
threshold(Image, Region, 1, 255)
reduce_domain(Image, Region, ImageReduced)
crop_domain(ImageReduced, ImagePart)
gen_features (ImagePart, FeatureVector1)
*把一个训练样本添加到一个多层感知器的训练数据中
add_sample_class_mlp (Handle, FeatureVector1, 1)
endfor
*训练一个多层感知器
train_class_mlp (Handle, 200, 1, 0.0001, Error, ErrorLog)
*测试分类效果
confidence:=[]
list_files ('test', ['files','follow_links'], ImageFiles)
tuple_regexp_select (ImageFiles, ['\\.(tif|tiff|gif|bmp|jpg|jpeg|jp2|png|pcx|pgm|ppm|pbm|xwd|ima|hobj)$','ignore_case'], ImageFiles)for Index := 0 to |ImageFiles| - 1 by 1
read_image (Image, ImageFiles[Index])
*
threshold(Image, Region1, 1, 255)
reduce_domain(Image, Region1, ImageReduced2)
crop_domain(ImageReduced2, ImagePart2)
gen_features (ImagePart2, FeatureVector2)
*通过多层感知器计算一个特征向量的类
classify_class_mlp (Handle, FeatureVector2, 2, FoundClassIDs, Confidence)
confidence:=[confidence,Confidence]
if (FoundClassIDs[0]=0)
dev_display(Image)
disp_message (3600, ImageFiles[Index], 'window', 0, 0, 'black', 'true')
disp_message (3600, 'Result=大帽', 'window', 20, 0, 'black', 'true')
stop()
else
dev_display(Image)
disp_message (3600, ImageFiles[Index], 'window', 0, 0, 'black', 'true')
disp_message (3600, 'Result=小帽', 'window', 20, 0, 'black', 'true')
stop()
endif
endfor
stop()
*清除多层感知器
clear_class_mlp (Handle)其中函数gen_features（Image,FeatureVector）为：
即将图像的水平与竖直方向的灰度投影作为图像的特征向量。
FeatureVector := []
gray_projections(Image, Image, 'simple', HorProjection, VertProjection)
FeatureVector := [HorProjection,VertProjection]
return ()分类效果如图：
常用特征
area_center_gray(Regions, Image: Area, Row, Column)计算一个灰度值图像的区域面积和重心。
cooc_feature_image计算共生矩阵并导出其灰度值特征。
cooc_feature_matrix从一个共生矩阵计算灰度值特征。
elliptic_axis_gray(Regions, Image,Ra, Rb, Phi)在一个灰度值图像中计算一个区域的方位和主轴。
entropy_gray(Regions, Image，Entropy, Anisotropy)确定一个图像的熵和各向异性。
fit_surface_first_order通过一个一阶表面（平面）计算灰度值力矩和近似值。
fuzzy_entropy确定区域的模糊熵。
fuzzy_perimeter计算一个区域的模糊周长。
gen_cooc_matrix (Regions, Image : Matrix : LdGray, Direction : ) 计算图像中区域的共生矩阵。
gray_histo计算灰度值分布。
gray_histo_abs(Regions, Image : Quantization:AbsoluteHisto)计算灰度值分布。
gray_projections计算水平和垂直灰度值投影。
histo_2dim计算两通道灰度值图像的直方图。
intensity(Image, Image, Mean, Deviation)计算灰度值的平均值和偏差。
min_max_gray计算区域内的最大和最小灰度值。
moments_gray_plane用平面计算灰度值矩和近似值。
plane_deviation计算灰度值与近似图像平面的偏差。
select_gray选择基于灰度值特征的区域。
shape_histo_all用极限值确定特征的一个直方图。
shape_histo_point(Region, Image: Feature, Row, Column : AbsoluteHisto, RelativeHisto)用极限值确定特征的一个直方图。
connect_and_holes(Regions : NumConnected, NumHoles)连接组件和孔的数量。
gray_features()计算一组区域的灰度值特征。
