Halcon基于形状的模板匹配及坐标转换关系详解

本小节参考文章：https://www.cnblogs.com/shine-lee/p/10950963.html

仿射变换（affine transformation）包括平移（translation）、旋转（rotation）、缩放（scaling）、剪切（shear）、镜像（ reflection），以及这些变换任意次序任意次数的组合。各种变换的图示如下：

因为基于形状的模板匹配只存在平移和旋转的变换，所以以下只介绍平移和旋转。

因为只做平移和旋转变换，图形的大小和形状不会改变，只是位置发生变化，所以平移和旋转的组合变换又称刚体变换。

假设变换前的二维点坐标为（x，y），变换后的点坐标为（x’，y’）；

[ x ′ y ′ ] = [ x y ] + [ d x d y ] \left[ \begin{matrix} x' \\ y' \end{matrix} \right] = \left[ \begin{matrix} x\\ y \end{matrix} \right] + \left[ \begin{matrix} dx \\ dy \end{matrix} \right] [x′y′​]=[xy​]+[dxdy​] 其中dx，dy分别为x和y的平移量。

[ x ′ y ′ ] = [ c o s θ − s i n θ s i n θ c o s θ ] ⋅ [ x y ] \left[ \begin{matrix} x' \\ y' \end{matrix} \right] = \left[ \begin{matrix} cosθ&-sinθ\\ sinθ&cosθ \end{matrix} \right]· \left[ \begin{matrix} x \\ y \end{matrix} \right] [x′y′​]=[cosθsinθ​−sinθcosθ​]⋅[xy​] 其中θ为绕原点逆时针旋转的角度。

以上是针对一个点在同一个坐标系中的变换，如果存在两个坐标系A和B，点P在A中的坐标为（x，y），在B中的坐标为（x’，y’），则存在如下关系：

[ x ′ y ′ 1 ] = [ c o s θ − s i n θ d x s i n θ c o s θ d y 0 0 1 ] ⋅ [ x y 1 ] = T R X \left[ \begin{matrix} x' \\ y'\\ 1 \end{matrix} \right] = \left[ \begin{matrix} cosθ&-sinθ&dx\\ sinθ&cosθ&dy\\ 0&0&1 \end{matrix} \right]· \left[ \begin{matrix} x \\ y\\ 1 \end{matrix} \right]= TRX ⎣⎡​x′y′1​⎦⎤​=⎣⎡​cosθsinθ0​−sinθcosθ0​dxdy1​⎦⎤​⋅⎣⎡​xy1​⎦⎤​=TRX

其中，dx，dy分别为 O A O_A OA​在B中的坐标,θ为由 O B X B O_BX_B OB​XB​转到 O A X A O_AX_A OA​XA​的角度，包含符号，逆时针为正，顺时针为负。

此处可参考文章https://blog.csdn.net/honpey/article/details/8724106?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param

https://blog.csdn.net/feidaji/article/details/81358257

Halcon中一个完整的模板匹配过程如下：

如上图所示，每一张图上芯片的位置和角度不固定，需要定位到绿色框内的针脚进行检测，如果以绿色框作为模板ROI，因为图片上有很多针脚，可能会匹配到其他位置，因此，以红色框作为模板ROI，蓝色框作为检测ROI。

以下是测试效果：

可以看到能够准确定位到检测ROI，图片资源是Halcon自带例程的图片，路径为：Halcon安装路径\images\board，Halcon完整代码如下：

上述例程中涉及到坐标的算子主要有：

算子原型：create_shape_model(Template : : NumLevels, AngleStart, AngleExtent, AngleStep, Optimization, Metric, Contrast, MinContrast : ModelID)

–Template ：用于创建模板的图像，是原图的模板ROI区域；

–NumLevels：金字塔层的最大层数；

–AngleStart：模板的最小旋转角度，以弧度为单位；

–AngleExtent：旋转角度范围，必须≥0，以弧度为单位；如果超出角度范围，则模型搜索不到

–AngleStep：角度步长，以弧度为单位；

–Optimization：生成模型的优化方法；

–Metric：模板匹配的条件，在模板与图像亮暗发生反转时可使用；

–Contrast：创建模型时，模型点的对比度；

–MinContrast ：在搜索的图像中，搜索对象的最小对比度，必须＜Contrast；

–ModelID：模型的句柄。

算子使用时可能出现的错误：

通过帮助文档看到是模板的点数太少，当绘制的模板ROI区域太小，或模板ROI区域内特征不明显时会出现，可以扩大模板ROI区域。

在算子get_shape_model_contours和set_shape_model_origin的帮助文档中有说明：默认情况下，模板轮廓的原点位于模型区域的重心，即通过area_center获取的模板ROI的坐标，如下图所示的坐标系 O 模 X 模 Y 模 O_模X_模Y_模 O模​X模​Y模​是模板轮廓的原始坐标系。

首先使用area_center (Rectangle, Area, Row, Column)获取 O 模 O_模 O模​在 O 图 O_图 O图​中的坐标； 然后使用set_shape_model_origin (ModelID, -Row, -Column)将 O 模 X 模 Y 模 O_模X_模Y_模 O模​X模​Y模​移动至与 O 图 X 图 Y 图 O_图X_图Y_图 O图​X图​Y图​重合，

算子原型：find_shape_model(Image : : ModelID, AngleStart, AngleExtent, MinScore, NumMatches, MaxOverlap, SubPixel, NumLevels, Greediness : Row, Column, Angle, Score)

– Image ：输入图像；

–ModelID：模型的句柄；

–AngleStart：模板的最小旋转角度，以弧度为单位；

–AngleExtent：旋转角度范围，必须≥0，以弧度为单位；如果超出角度范围，则模型搜索不到

–MinScore：要搜索到的模型实例的最小得分，如果低于此分数，则搜索不到；

–NumMatches：要搜索到的模型实例的个数；

–MaxOverlap：要找到的模型实例的最大重叠；

–SubPixel：确定找到的目标是否使用亚像素精度提取；

–NumLevels：搜索过程中使用的金字塔级别的数量 ；

–Greediness ：搜索启发式的“贪婪度”，(0：安全但缓慢；1：快，但可能匹配不到)

–Row：找到的模型实例的行坐标，坐标值是找到模板的原点在图像坐标系中的行坐标；

–Column：找到的模型实例的列坐标，坐标值是找到模板的原点在图像坐标系中的列坐标；

–Angle：找到的模型实例的角度；

–Score： 找到的模型实例的分数。

计算变换矩阵 算子原型：vector_angle_to_rigid( : : Row1, Column1, Angle1, Row2, Column2, Angle2 : HomMat2D)

–Row1：原始点的行坐标；

–Column1：原始点的列坐标；

–Angle1：原始点的角度；

–Row2：变换点的行坐标；

–Column2：变换点的列坐标；

–Angle2：变换点的角度；

–HomMat2D：输出的变换矩阵。

ROI坐标转换 使用算子：affine_trans_contour_xld和affine_trans_region