针对高分辨率遥感卫星图像采用单一算法难以有效去除不均匀云雾的问题,提出一种基于图像分割和暗原色先验改进方法相结合的优化算法。采用图像分割技术将原云雾图像分割成浓雾部分和淡雾部分。浓雾部分采用加权多尺度Retinex算法进行局部增强去雾处理;淡雾部分采用改进暗原色方法,将暗原色图像去雾模型由RGB颜色空间转换到HSI颜色空间,提取亮度分量,获取准确的大气光值,并采用容差机制优化获取大气透射率,在此基础上采用自动色阶法增强处理,获取去除云雾后的图像。实验对比表明提出的算法能够很好地还原图像细节,有效恢复图像的颜色和清晰度。

点云分割是点云数据处理的关键环节，区域生长因在三维点云分割中易于实现、便于使用而得到了广泛应用，然而由于点云特征的不确定性及种子点选取不合理导致传统区域生长法局部分割性能不稳定。针对此问题，提出一种改进的区域生长分割方法。通过估算点云数据曲率大小，并将曲率最小点设置为种子节点，即从点云数据最平坦的区域开始生长，以减少分段总数，再根据点云数据的局部特征确定生长准则。实验结果表明，该方法不仅能有效地对点云数据进行分割，而且解决了传统区域生长分割不稳定的问题，提高了点云分割的精确性和可靠性。

Halcon数字图像处理 刘国华编 西安电子科技大学出版社 2018年5月第一版

MATLAB基于GUI实现的一些基本图像操作，包括转灰度，滤波，边缘检测，求梯度直方图等等

计算机图像处理与识别技术的应用与_省略_像处理_分析与机器视觉_第3版.pdf

Halcon机器视觉手册，包含基础的Halcon使用说明和函数库

为了增强畸变校正方法的实时性和适用性,提出了一种基于卷积神经网络(CNN)的图像畸变校正方法。首先,使用具有自校准功能的运动结构重建真实相机拍摄的图像序列,以估计相机参数;然后,根据拟合出的第一、第二阶径向畸变参数之间的函数关系,生成常见径向畸变范围内的图像,解决带有第一、第二阶径向畸变注释的畸变图像较少的问题;最后,利用CNN强大的学习能力学习径向畸变的特征,以估计径向的变形情况,并将输入图像映射为畸变系数,实现图像的畸变校正。实验结果表明,相比传统相机标定法,本方法的校正误差约为1 pixel。

提出了一种基于视觉的新型直线位移测量方法。建立了图像各像素点灰度值与直线运动位移间的映射函数模型, 通过数值方法解算了直线运动平台的位移。通过蒙特卡罗仿真对所提方法进行分析, 证明了其可行性与合理性。分析了检测点拓扑结构对测量精度的影响。实验结果表明, 在10 mm的位移测量范围内, 所提方法的测量误差标准差为4 μm。

机器视觉的现状及发展趋势.pdf

如何使用helcon（1，2，3部）+HALCON机器视觉课件