图像处理笔记（十九）：分类器之高斯混合模型

关于模板匹配的一个小补充：
做了一个很小型的模板匹配用于缺陷检测的应用，测试结果发现模板使用锐化后叠加原图的图片效果会比较好。
测试过程同样存在图片数量不足的问题。
模板匹配针对缺陷可能存在多种不同形态的检测不合适。
发现一个现象，我用作检测模板的那一个50*50的矩形缺陷是符合正态分布的。

高斯混合模型GMM

halcon中其他常用的分类器：
多层感知器（MLP）（BP神经网络）
支持向量机（SVM）

halcon中注意图像变量和控制变量使用上的区别，对于控制变量，可以使用||来获取数组长度，但是不能对图像变量这么做。
如果想要获取图像变量的长度，需要使用count_obj来做（配合select_obj）。
注意select_obj按照index选择对象，这里的index是从1开始的。

打了一遍class_citrus_fruits的例程，分类橘子和柠檬，总结一下使用gmm做分类的步骤：

1. 读取训练用的图片，训练用的图片应当是分类好的而不是几类混合在一起的；
2. 使用threshold等相关算子将图像中要用来分类的部分筛选出来，以计算橘子和柠檬的特征；
3. 将面积和圆度作为分类的标准，设置分类器；
4. 读取多张图片中多个橘子和柠檬，将特征提取出来设置到分类器中；
5. 训练模型
6. 使用相同的方法找出测试用图片中的重点区域，用训练好的分类器进行识别和做标记。

使用这个分类器的必要条件：

1. 不同类别之间有明显的可供区别的特征，并且可以将他们计算出来
2. 用来分类的图像能够容易的找到他们的边缘， 也即目标物体与背景色区别较大。

# LAWS纹理滤波应用于缺陷检测
基本原理：结合GMM分类器，对于没有缺陷的测试样本，应该能够分类，对于有缺陷的样本，会分不出类。使用分类后的图像与原图像相减，得出缺陷区域。