halcon求最小外接斜矩形

Halcon中求最小外接斜矩形可以使用gen_rectangle2函数。以下是一个示例代码：

import halcon as h

# 读取图像
image = h.read_image("image.jpg")

# 转换为灰度图像
gray_image = h.rgb1_to_gray(image)

# 二值化图像
threshold = 128
binary_image = gray_image > threshold

# 查找轮廓
contours = h.gen_contours_skeleton(binary_image, 'simple')

# 拟合矩形
rectangle = h.gen_rectangle2(contours)

# 获取矩形的中心点和角度
center, phi, length1, length2 = h.get_rectangle2(rectangle)

# 显示结果
h.view_object(image)
h.view_object(rectangle)

# 输出结果
print("中心点：", center)
print("角度：", phi)
print("长度1：", length1)
print("长度2：", length2)

请注意，上述代码仅是一个示例，实际使用时需要根据具体的情况进行调整。详细的函数使用方法可以参考Halcon的官方文档或者其他相关资料。

相关问题

halcon 生成最小外接矩形 请写出程序

以下是使用Halcon实现生成最小外接矩形的程序：

read_image(Image, 'image.jpg')  # 读取图像
gray_image = rgb1_to_gray(Image)  # 转换为灰度图像
threshold(gray_image, Region, 128, 255)  # 对灰度图像进行二值化处理，生成Region

connection(Region, ConnectedRegions)  # 连接区域
select_shape(ConnectedRegions, SelectedRegions, ['area', 'rectangularity'], 'and', [200, 0.5])  # 选择符合条件的区域（面积大于200且矩形度大于0.5）
smallest_rectangle2(SelectedRegions, Row, Column, Phi, Length1, Length2)  # 生成最小外接矩形

gen_rectangle2(Rectangle, Row, Column, Phi, Length1, Length2)  # 根据最小外接矩形的参数生成矩形

其中，`read_image()`函数用于读取图像，`rgb1_to_gray()`函数用于将图像转换为灰度图像，`threshold()`函数用于对灰度图像进行二值化处理，生成`Region`；`connection()`函数用于连接区域，`select_shape()`函数用于选择符合条件的区域，`smallest_rectangle2()`函数用于生成最小外接矩形，`gen_rectangle2()`函数用于根据最小外接矩形的参数生成矩形。

以上代码仅供参考，具体实现可能需要根据具体需求进行修改。

halcon模板匹配最小外接矩形

### Halcon 中模板匹配与最小外接矩形的实现

#### 使用 `smallest_rectangle2` 计算最小外接矩形
为了获取图像中目标区域的最小外接矩形，在 Halcon 中可以使用 `smallest_rectangle2` 函数。此函数接收一个或多个区域作为输入参数并返回描述这些区域最小外接矩形的信息，即中心位置 `(Row, Column)`、旋转角度 `Phi` 和两个轴向尺寸 `Length1`, `Length2`[^1]。

// C++ code to call smallest_rectangle2 function in HALCON environment.
Hlong n;
double row, column, phi, length1, length2;

// Assuming 'regions' is the input region(s).
smallest_rectangle2(regions, &row, &column, &phi, &length1, &length2);

对于某些应用场景而言，可能更倾向于得到实际的四个角点坐标而非上述五个量化的属性值。此时可以通过简单的几何变换由这五项基本数据推导出四边形各顶点的具体数值[^3]：

void getRectangleCorners(double center_x, double center_y,
                         double angle_degrees, double width, double height,
                         std::vector<cv::Point2f>& corners) {
    // Convert from degrees to radians and calculate half dimensions
    const float c = cos(angle_degrees * CV_PI / 180.f),
                s = sin(angle_degrees * CV_PI / 180.f);
    
    const float w_half = static_cast<float>(width) * .5f,
                h_half = static_cast<float>(height) * .5f;

    // Calculate corner points relative to origin at top-left of rectangle
    cv::Point2f p[4];
    p[0].x = -w_half; p[0].y = -h_half;
    p[1].x = +w_half; p[1].y = -h_half;
    p[2].x = +w_half; p[2].y = +h_half;
    p[3].x = -w_half; p[3].y = +h_half;

    // Rotate each point around its own axis using rotation matrix R=[c,-s;s,c]
    for(int i=0;i<4;++i){
        auto tmpX=(p[i].x*c)-(p[i].y*s)+center_x;
        auto tmpY=(p[i].x*s)+(p[i].y*c)+center_y;
        corners.push_back(cv::Point2f(tmpX,tmpY));
    }
}

#### 创建异构形状模型进行模板匹配
当面对具有特定方向性的矩形对象时，创建一个能够适应不同尺度变化的方向敏感型形状模型是非常有用的。通过调整 `create_aniso_shape_model` 的参数可以在不同的纵横比例下构建鲁棒性强的检测器[^2]。

// Create anisotropic shape model with specified scale ranges along rows and columns directions respectively.
create_aniso_shape_model(templateImage, MinScaleRow, MaxScaleRow, MinScaleCol, MaxScaleCol, ... );

一旦建立了合适的形状模型之后就可以利用它来进行高效的模式识别任务了；而针对每一个成功定位到的对象实例，则可进一步应用前述提到的方法去精确描绘其边界框特征。