網格缺陷檢測（高斯混合模型GMM）
*此示例程式向您展示如何使用GMM分類器進行新穎性檢測以執行Web檢查任務。 要進行新奇檢測，
*計算屬於單個訓練類的所有畫素，然後進行計算從分類ROI中減去以提取錯誤畫素。 對於網路檢查任務，GMM因此可用於檢測紋理與訓練好的物體的紋理不對應。
read_image (Image, 'plastic_mesh/plastic_mesh_01')
get_system ('example_dir', HalconExamples)
*用於分類的紋理過濾器將返回影象處的偽像邊界，因為要檢查的塑料網的影象不包含整數個網格單元格。 因為這會導致錯誤的檢測到影象邊界處的錯誤，我們必須排除靠近的區域影象邊界來自訓練和分類。 這是通過以下方式完成的長方形。 請注意，影象後來縮小了兩倍。
gen_rectangle1 (Rectangle, 10, 10, Height / 2 - 11, Width / 2 - 11)
* 建立GMM模型，5個訓練的特徵向量，1個樣本分類，高斯中心範圍[1,5]，協方差矩陣'Spherical'，預處理normalization”，5個特徵向量所指向的元件數，種子隨機數初始化42
create_class_gmm (5, 1, [1,5], 'spherical', 'normalization', 5, 42, GMMHandle)
*從5張圖片抽取特徵
for J := 1 to 5 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
*縮小圖片，加快速度
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
gen_texture_image (ImageZoomed, ImageTexture)
******************************************************************************************************************************
* The texture image is a five-channel image that contains the result of applying
* five different Laws filters, which basically correspond to first and second
* derivatives, and smoothing them sufficiently.
*紋理影象是包含應用結果的五通道影象
*五種不同的法律過濾器，基本上對應於第一和第二
*衍生物，並充分平滑它們。
紋理分析是影象處理中的一種典型任務，texture_laws是Halcon中紋理分析的重要運算元，其本質原理是利用不同的kernel與影象進行卷積運算，提取出影象的高頻部分或低頻部分。
紋理（texture）由紋理單元（texel）組成，紋理單元是紋理影象中最小的重複單元，texel是紋理的基本單元。
紋理分析的第一種典型應用是利用紋理濾波器對影象進行濾波處理，以增強（enhance）或抑制（suppress)特定的紋理。濾波後的影象通過blob analysis或者分類演算法，將具有相同紋理的部分分割為同一區域（region）。
第二種典型應用是計算影象的紋理特徵用於影象的分類，紋理濾波器作為預處理濾波器來增強（enhance）或抑制（suppress)特定的紋理。Halcon中標準的紋理特徵（feature)運算元是gen_cooc_matrix（生成共生矩陣），另一個常用的運算元是entropy_gray（灰度熵，用於計算影象的平均資訊量（entropy）和各向異性（anisotropy））。
texture_laws運算元的語法如下：
texture_laws(Image : ImageTexture : FilterTypes, Shift, FilterSize : )
Image：原始影象
ImageTexture：經過紋理濾波器濾波後的影象
FilterTypes：濾波器的型別
Shaft：濾波後圖像的灰度縮放係數，具體實現公式未知，實際使用過程中降低了濾波後圖像的灰度，使得使用不同濾波器型別的濾波後圖像具有可比性
FilterSize：濾波器尺寸，可選3,5,7
濾波器型別由濾波向量（vector）的兩個字母組成，第一個字母表示在列方向的濾波器向量，第二個字母表示在行方向的濾波器向量。處理過程中，先對影象的一個方向進行濾波（具體從列方向還是行方向開始未知），再對影象的另一個方向進行濾波。
以3x3的濾波器矩陣為例：
l = [ 1 2 1 ],
e = [ -1 0 1 ],
s = [ -1 2 -1 ]
濾波向量l增強濾波方向的影象的亮度。濾波向量e檢測了濾波方向上的突變（即邊緣，高頻區域）。濾波向量s同樣檢測了濾波方向上的突變（與濾波向量e檢測方法不一樣）。濾波後圖像很容易溢位（這不是個準確說法，實際意義是對於byte型別的影象，灰度值超過了255），因此需設定合適的shaft值縮放灰度值。
一般來說，可以選擇濾波向量中的 "l", "e", "s", "r", "w", "o"與濾波向量"l"組合來增強影象的低頻部分，或者與濾波向量"o"組合來增強影象的高頻部分。
濾波器型別的第二個字母"l", "e", "s", "r", "w", "o"依次檢測影象低頻部分到高頻部分。例如，濾波器"le"檢測影象 中相對低頻的部分，而濾波器"ls"檢測影象中相對高頻的部分。
texture_laws (Image, ImageEL, 'el', 5, 5)
texture_laws (Image, ImageLE, 'le', 5, 5)
texture_laws (Image, ImageES, 'es', 1, 5)
texture_laws (Image, ImageSE, 'se', 1, 5)
texture_laws (Image, ImageEE, 'ee', 2, 5)
*把5張圖片合成一個圖片的通道
compose5 (ImageEL, ImageLE, ImageES, ImageSE, ImageEE, ImageLaws)
*高斯平滑，過濾高頻，剩下低頻
smooth_image (ImageLaws, ImageTexture, 'gauss', 5)
return ()
******************************************************************************************************************************
* Add the samples to the classifier.
*把抽取的特徵影象和要處理的區域新增到高斯模型中去，高斯模型的標準偏差是2
add_samples_image_class_gmm (ImageTexture, Rectangle, GMMHandle, 2.0)
特徵圖
區域
endfor
*訓練高斯模型
迭代次數是1000，期望誤差閾值是0.001，'training'發生的概率是依據樣本中的概率推斷，
Regularize:預設值0.0001，防止計算中出現奇異協方差矩陣。增加到協方差矩陣的對角線上的一個很小的值
輸出引數，輸出類的中心個數，迭代次數
train_class_gmm (GMMHandle, 1000, 0.001, 'training', 1e-4, Centers, Iter)
*測試圖片
for J := 1 to 14 by 1
read_image (Image, 'plastic_mesh/plastic_mesh_' + J$'02')
zoom_image_factor (Image, ImageZoomed, 0.5, 0.5, 'constant')
dev_display (ImageZoomed)
gen_texture_image (ImageZoomed, ImageTexture)
reduce_domain (ImageTexture, Rectangle, ImageTextureReduced)
* Classify samples belonging to the trained class with the GMM.
classify_image_class_gmm (ImageTextureReduced, Correct, GMMHandle, 0.001)
* Subtract them from the ROI to obtain the texture errors.
*/用原來畫的檢測區域減去分類出來的區域
difference (Rectangle, Correct, Errors)
* Postprocess the returned raw errors to remove insignificant parts of the
* detected errors.
*開運算，閉運算
opening_circle (Errors, ErrorsOpening, 3.5)
closing_circle (ErrorsOpening, ErrorsClosing, 10.5)
connection (ErrorsClosing, ErrorsConnected)
*篩選面積大於300的就是缺陷
select_shape (ErrorsConnected, FinalErrors, 'area', 'and', 300, 1000000)
count_obj (FinalErrors, NumErrors)
dev_set_color ('red')
dev_set_draw ('margin')
dev_set_line_width (3)
dev_display (FinalErrors)
if (NumErrors > 0)
disp_message (WindowHandle, 'Mesh not OK', 'window', 10, 10, 'black', 'true')
else
disp_message (WindowHandle, 'Mesh OK', 'window', 10, 10, 'black', 'true')
endif
if (J < 14)
disp_continue_message (WindowHandle, 'black', 'true')
endif
stop ()
endfor
clear_class_gmm (GMMHandle)