应用的编程环境HALCON18.05

最近特无聊是吧，那在家学点做点科技类的小事业吧。

应用的编程环境HALCON18.05，这里讲一种常用套路

* 表示程序注释

1.    采图或者自己写下字母和数字，分成训练与识别两个部分；

2.    阈值分割出字符；

3.    创建手写体识别器；

4.    训练该识别器；

5.    执行识别；

具体过程如下：

**--------------------------------------

*(1)        Training of the OCR ofhandwrite letter

* 关闭更新

dev_update_off()

* Set theimage path (make sure, that you have set HALCONIMAGES to the HALCON imagedirectory)

*

* Step 0:Preparations 文件路径

FontName:= 'E:/Halcon/OCR/handwirteC/'

*

* Step 1:Segmentation 读图与字符分割

dev_update_window('off')

dev_get_window(WindowHandle)

read_image(Image,FontName+ '/handword1.jpg')

有时间可以写各种字符，每个相同字符多写几次，越多越好，增加训练的精准度；

把这栏作为训练样本

阈值分割出字符。注意：这里要用一次膨胀，把i与j这些字符的点与字符体连接在一起，构成一个整体字符；

threshold(ImageReduced, RawSegmentation, 0, 75)

* Connectthe i's and j's with their dots

* 将i与j的点与线连接起来，构成一个整体

dilation_circle(RawSegmentation, RegionDilation, 19)

dev_set_color('green')

dev_display(RegionDilation)

connection(RegionDilation, ConnectedRegions)

* Reduceeach connected component (character) to its original shape

intersection(ConnectedRegions, RegionDilation, RegionIntersection)

count_obj(ConnectedRegions, Number)

sort_region(RegionIntersection, FinalLetters, 'first_point', 'true', 'column')

*Displaysegments

*显示分割块

dev_clear_window()

dev_display(ImageReduced)

dev_set_color('green')

dev_set_line_width(2)

dev_set_shape('rectangle1')

dev_set_draw('margin')

dev_display(FinalLetters)

我们来检查一下各个字符的分割与排序情况，尤其是对于i，j这类字符有没有实现整体性

我们看到20个字母被分割成了21个，原因就是这个j 没有被构成一个整体。然后我们再次调整一下dialation参数到22，并且注意也被膨胀太多了把相邻字母也连进来了

dilation_circle(RawSegmentation, RegionDilation, 22)

这次很好，20个字母完整分割

* Step2: Training filegeneration

* 把teacher信号自己手写进来，创建训练文件TrainingFileName，训练文件都是.trf格式的，可以在硬盘里查询到。

*这里我们用append的函数把teacher信号一个一个地与被训练字符联系起来。

TrainingNames:= ['b','b','a','b','d','c','e','f','h','i','i','i','d','c','e','e','g','j','i','h']

*训练文件TrainingFileName

TrainingFileName:= FontName + 'TrainingFile.trf'

sort_region(FinalLetters, SortedRegions, 'first_point', 'true', 'column')

shape_trans(SortedRegions, RegionTrans, 'rectangle1')

area_center(RegionTrans, Area, Row, Column)

MeanRow:= mean(Row)

dev_set_check('give_error')

for I :=0 to |TrainingNames| -1by 1

select_obj (SortedRegions, CharaterRegions,I+1)

append_ocr_trainf (CharaterRegions, Image,TrainingNames[I],                        TrainingFileName)

disp_message(WindowHandle, TrainingNames[I], 'image', MeanRow - 140,     Column[I] - 6,'yellow', 'false')

endfor

可以查询一下训练文件

* Step3: Training 执行训练

CharNames:= uniq(sort(TrainingNames))

create_ocr_class_mlp(8, 10, 'constant', 'default', CharNames, 10, 'none', 10, 42, OCRHandle)

trainf_ocr_class_mlp(OCRHandle, TrainingFileName, 200, 1, 0.01, Error, ErrorLog)

*write_ocr_class_mlp产生一个.omc文件

write_ocr_class_mlp(OCRHandle, FontName+'Classifier')

clear_ocr_class_mlp(OCRHandle)

_________________________________

Do OCR执行识别

打开新的图片，建立被识别区域，步骤如下

* Step 0: Preparations

FontName :='E:/Halcon/OCR/handwirteC/'

TrainingDocument:=FontName+'Classifier.omc'

*TrainingDocument:=FontName+'Class1.omc'

*

* Step 1: Segmentation

dev_update_window ('off')

dev_get_window (WindowHandle)

read_image (Image,FontName+'/handword1.jpg')

gen_rectangle1 (ROI_new, 2077.7,301.848, 2327.78, 2235.87)

reduce_domain (Image, ROI_new,ImageReducedNew)

binary_threshold (ImageReducedNew,Region_1, 'max_separability', 'dark', UsedThreshold1)

dilation_circle (Region_1,RegionDilation, 25.5)

dev_set_color ('green')

dev_display (RegionDilation)

connection (RegionDilation,ConnectedRegions)

intersection (ConnectedRegions,RegionDilation, RegionIntersection)

sort_region (RegionIntersection,Characters, 'character', 'true', 'row')

在这里，我们还是要查看一下膨胀的设置是否正确，尤其对于i，j类字符

*Step 3 读取分类器

read_ocr_class_mlp(TrainingDocument, OCRHandle1)

*Classification

do_ocr_multi_class_mlp(Characters, Image, OCRHandle1, Class, Confidence)

* Step 4 Display results

area_center(Characters, Area, Row, Column)

dev_display(Image)

set_display_font(WindowHandle, 16, 'sans', 'true', 'false')

disp_message(WindowHandle, Class, 'image', Row - 146, Column + 8, 'blue', 'false')

*set_display_font(WindowHandle, 16, 'mono', 'true', 'false')

disp_message(WindowHandle, 'Classification result', 'window', 12, 12, 'black', 'true')

我们看到手写体的确不容易做好，这里与训练样本有关系，所以需要更大的样本量来优化识别器。

这里我们可以打开训练文件.trf，在不自己继续添加样本的情况下做一下无监督学习，把已有的字体做扭曲与各种变换的训练。

然后再次训练这个.trf文件，替换掉之前的训练文件。

训练完后，再次读取新的分类器，执行OCR, 这里重复代码

*Step 3 读取分类器

read_ocr_class_mlp(TrainingDocument, OCRHandle1)

*Classification

do_ocr_multi_class_mlp(Characters, Image, OCRHandle1, Class, Confidence)

* Step 4 Display results

area_center(Characters, Area, Row, Column)

dev_display(Image)

set_display_font(WindowHandle, 16, 'sans', 'true', 'false')

disp_message(WindowHandle, Class, 'image', Row - 146, Column + 8, 'blue', 'false')

*set_display_font(WindowHandle, 16, 'mono', 'true', 'false')

disp_message(WindowHandle, 'Classification result', 'window', 12, 12, 'black', 'true')

我们看到，新的识别器（上图）效果好于第一次的识别器（下图）

从 7/12提高到8/12

最后有必要就可以写操作界面了, 这里不再赘述

责任编辑：lq