halcon算子中 Metric

Halcon中的Metric算子主要用于计算图像中两个区域之间的相似度或距离。该算子基于一些预定义的度量方法（如欧几里得距离、曼哈顿距离等），可以计算出两个区域之间的差异程度。Metric算子的语法如下：

Metric(Image1, Image2, Distance : Metric)

其中，Image1和Image2分别是待比较的两个区域（可以是灰度图、彩色图或者图像的一部分），Distance是用于指定度量方法的输入参数，Metric是输出参数，表示两个区域之间的相似度或距离。

在Metric算子中，Distance参数可以选择以下几种度量方法：

- "cityblock"：曼哈顿距离
- "euclidean"：欧几里得距离
- "maxabs"：最大绝对值差
- "maxdist"：最大值差
- "meanabs"：平均绝对值差
- "meandist"：平均值差
- "rms"：均方根误差
- "stddev"：标准差

使用Metric算子可以帮助我们计算图像中不同区域之间的差异程度，从而实现基于相似度或距离的图像匹配、分类、分割等应用。

相关问题

halcon模板匹配算子

### Halcon 中模板匹配算子使用方法及参数说明

#### 创建形状模型
创建形状模型是模板匹配的第一步，在此过程中定义了用于后续图像中寻找对象的特征。`create_shape_model` 函数负责构建这一模型，其语法如下：

create_shape_model(Image : : NumLevels, AngleStart, AngleExtent, AngleStep, Optimization, Metric, MinContrast : ModelID)

- `NumLevels`: 控制金字塔层数量，通常设为自动模式。
- `AngleStart`, `AngleExtent`, 和 `AngleStep`: 定义旋转范围及其增量[^4]。
- `Optimization`: 提供优化选项以提高速度或准确性。
- `Metric`: 设定评估标准，例如 `'use_polarity'` 表明目标和背景之间的灰度关系需一致[^1]。
- `MinContrast`: 设置最小对比度阈值。

#### 查找已知模型实例
一旦建立了形状模型，则可以利用特定函数来定位这些模型在新图片中的位置。对于固定大小的对象，可采用 `find_shape_model`; 若考虑缩放变化则应选用 `find_scaled_shape_model`. 后者允许指定角度搜索区间以及是否启用亚像素级精确定位[^5].

#### 参数调整与特殊情形处理
针对不同应用场景下的需求差异，可能还需进一步微调某些高级配置项。比如通过 `set_shape_model_param` 修改默认行为；当遇到变形、模糊边界等情况时，合理选择合适的算法策略变得尤为重要[^3].

#### 示例代码片段展示如何建立并应用一个简单的形状模型:

* 加载样本图像作为模板
read_image (Image, 'fabrik')

* 构建形状模型
create_shape_model (Image, 0.5, -0.52, 1.57, 0.087, 'auto', 'use_polarity', 5, 10, ModelID)

* 寻找匹配的位置
find_shape_model (SearchImage, ModelID, -0.39, 0.39, 0.087, 0.5, ['num_matches'], [1], Row, Column, Angle, Score)

halcon的高精度匹配算子

### Halcon 高精度匹配算子使用说明及示例

#### 1. 算子概述
Halcon 提供了一系列用于高精度模板匹配的算子，这些算子能够在复杂的背景下精确找到目标对象的位置和姿态。常用的高精度匹配算子包括 `create_shape_model` 和 `find_shape_model`。

#### 2. 创建形状模型
创建形状模型的过程涉及定义待匹配的目标区域并生成相应的描述符。这一步骤通过调用 `create_shape_model` 来完成：

// 定义输入图像中的感兴趣区域 (ROI)
region := gen_region_circle (Row, Column, Radius)

// 将 ROI 转换为轮廓形式
edges := edges_sub_pix(Image, "canny", 1, 8, 50, 70)

// 创建形状模型
ModelID := create_shape_model(edges, 'angle_start', -pi, 'angle_extent', pi*2, \
                              'min_scale', 0.9, 'max_scale', 1.1, \
                              'optimization', 'auto', 'metric', 'use_polarity')

上述代码片段展示了如何基于边缘信息构建形状模型[^1]。

#### 3. 执行匹配操作
一旦建立了形状模型，就可以利用 `find_shape_model` 进行实际的匹配工作：

// 设置搜索参数
set_shape_model_param(ModelID, 'min_score', 0.7)

// 开始寻找最佳匹配位置
result := find_shape_model(ImageToSearch, ModelID, -pi/2, pi/2, 0.9, 1.1, 0.6, Row, Column, Angle, Score)

// 输出匹配结果
if (Score >= 0.6) {
    disp_message(WindowHandle, "Match found!", 'window', Row, Column, 'green')
}

这段脚本实现了对指定范围内可能存在的相似模式进行高效检索，并返回符合条件的最佳候选者列表。

#### 4. 参数调整建议
为了获得更佳的效果，在应用过程中可以根据具体需求微调以下关键参数：
- **角度范围 (`angle_start`, `angle_extent`)**
- **优化选项 ('optimization')**
- **度量标准 ('metric')**

适当配置以上几个方面有助于提升算法鲁棒性和准确性。