Halcon中线条提取的算子主要有：
lines_color(Image : Lines : Sigma, Low, High, ExtractWidth, CompleteJunctions : )
lines_facet(Image : Lines : MaskSize, Low, High, LightDark : )
lines_gauss(Image : Lines : Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions : )
其中lines_facet、 lines_gauss又可以归为同一类（从帮助文档的算子签名Signature可知这一点）。
一、线条提取和边缘提取的区别
上面三个线条提取的算子，输出的是一堆XLD；而 edges_sub_pix 这种边缘提取算子，得到的也是一堆XLD。那么它们有什么区别呢？
举个例子说明：
1 read_image (Image, 'angio-part')
2 count_channels (Image, Channels)
3 if (Channels == 3 or Channels == 4)
4 rgb1_to_gray (Image, Image)
5 endif
6
7 lines_gauss (Image, Lines, 2.3, 0.0, 0.7, 'dark', 'true', 'parabolic', 'true')
8 edges_sub_pix (Image, Edges, 'canny', 1, 5, 10)
9 dev_set_color ('green')
10 dev_display (Image)
11 dev_display (Lines)
lines_gauss和edges_sub_pix 输出的XLD的区别对比如下：
相信大家已经看出了两者的区别了。
图像的“边缘”指的是：图像中灰度有明显跳变的地方。如果在图中画一条“有一定宽度的线”，那么线的两侧应该都可以提取到边缘。
而线条提取的算子（例如lines_gauss）提取的是这条“有一定宽度的线”的“骨架线”，它一般只有一根。
为什么我想写一篇文章单独讲“线条提取”呢？主要因为跟我目前工作遇到的困难有关。
公司目前在用传统算法 + 深度学习做复杂缺陷检测。如果用Halcon做缺陷检测的话，用到的无非是形态学分析、频域处理、特征筛选等等，但是对于不太明显或者难以定位分割的缺陷，Halcon就束手无策了。但是深度学习在这方面有独特的优势，它可以通过标注大量的缺陷形态，不断训练学习，从而获得对复杂缺陷的识别定位能力。
但是对于“较浅且大批量出现的划痕”这种缺陷类型，深度学习也束手无策，因为它很难去逐个标注这些缺陷——一方面标注工作量太大，一方面很难准确地标注。
划痕，其实就是一种线条，用Halcon提供的线条提取算子，可以很轻松找出这些划痕（或线条）。
二、lines_color
算子描述为：检测有色的线条及其宽度。
lines_color(Image : Lines : Sigma, Low, High, ExtractWidth, CompleteJunctions : )
该算子从输入图像Image中提取彩色线条，并将提取的线条以亚像素XLD轮廓的形式返回Lines。
Sigma——要应用的高斯平滑量。
Low——磁滞阈值操作的下限阈值。
High——磁滞阈值操作的上限阈值。
ExtractWidth——应该提取线宽吗？（一般选择‘true’）
CompleteJunctions——是否应该在无法提取的地方添加连接点？
注意：
如果使用较大的平滑量（Sigma），应相应地为“High”和“Low”选择较小的值。
一般来说，特别是在需要提取线条宽度的时候，参数Sigma的选择应该满足Sigma >= w/1.732（w代表图像中线条的宽度（线条直径的一半）），最小允许值是Sigma >= w/2.5。例如，对于一个宽度为4个像素（直径为8个像素）的线条来说，Sigma >= 2.3是合适的参数。（4/1.732 = 2.3）
下面研究一下CompleteJunctions参数的意思。它可取的值有true或者false。该参数的意思为：是否应该在无法提取的地方添加连接点？
那它到底有什么作用呢？举例说明：
1 read_image (Image, 'cable1')
2 lines_color (Image, Lines1, 3.5, 0, 12, 'true', 'false')
3 lines_color (Image, Lines2, 3.5, 0, 12, 'true', 'true')
4
5 dev_set_color ('green')
6 dev_clear_window ()
7 dev_display (Lines1)
8 dev_clear_window ()
9 dev_display (Lines2)
意思很明显了，当CompleteJunctions = 'true'时，会在无法提取的地方添加连接点，这样某些XLD可能会连起来。参考官方示例程序：lines_color.hdev。
三、lines_facet
算子描述为：使用小平面模型检测线条。
lines_facet(Image : Lines : MaskSize, Low, High, LightDark : )
下面的观点提炼自帮助文档：
① 参数LightDark确定是提取亮线还是暗线。
② MaskSize的值越大，图像的平滑度就越大，但可能会导致线条的局部化程度更差；MaskSize的值越小，提取的线条越短，碎片越多，但这可能会导致相当长的执行时间。
③ 关于取值，当Sigma=1.5时，此时大致对应于MaskSize 的值为5。
但是，这个算子我们一般不用。因为如何给MaskSize、Low、High取合适的值确实是一门技术活，不好掌握，更重要的lines_gauss算子完全可以替代它，并且更易掌握。OK，忘记lines_facet吧。
四、lines_gauss
算子描述为：检测线及其宽度。
lines_gauss(Image : Lines : Sigma, Low, High, LightDark, ExtractWidth, LineModel, CompleteJunctions : )
这里多了一个参数LineModel（其他参数前面都说过）。
LineModel：提取线条的模式，有'none', 'bar-shaped', 'parabolic', 'gaussian' 四种。含义如下：
对大多数应用来说，LineModel的'bar-shaped'参数是正确的选择，'parabolic'参数常用来提取边缘比较锐利的线条（比如背光照明的图像中的线条），'gaussian'则在线条边缘不那么锐利的时候使用。参数LineModel仅在参数ExtractWidth被设置为'true'时才有意义。
上图中，可以看出'parabolic'图示中，箭头指向的过渡处过渡陡峭（适合提取锐利的线条）。而'gaussian'图示中，箭头指向的过渡处过渡平滑（适合提取边缘平滑的线条）。
其实lines_gauss算子的参数是最多的，因此参数如何正确取值一点都不简单。但是很明显，官方偏爱lines_gauss这个算子，它们开发了calculate_lines_gauss_parameters算子。
calculate_lines_gauss_parameters( : : MaxLineWidth, Contrast : Sigma, Low, High)
算子描述为：根据要提取的线条的最大宽度和对比度计算lines_gauss的参数Sigma、Low和High。
MaxLineWidth定义要使用lines_gauss提取的线条的最大宽度。
Contrast参数应设置为要提取的典型线条的灰度值对比度。在任何情况下都将提取具有较高对比度的所有线条。
Contrast参数可以设为具有两个值的元组（例如[60, 10]），第二个值定义为要提取的线的最小对比度。
第二个值不能大于第一个值。如果只给出一个值，则最小对比度默认为对比度/3.0。
最小对比度的值越小，线条越长，线条延伸到对比度低的区域；值越高，线条越短，但线条越突出。
还是以前面的图为例：
1 read_image (Image, 'angio-part')
2 count_channels (Image, Channels)
3 if (Channels == 3 or Channels == 4)
4 rgb1_to_gray (Image, Image)
5 endif
6
7 calculate_lines_gauss_parameters (8, [10,4], Sigma, Low, High)
8 lines_gauss (Image, Lines, Sigma, Low, High, 'dark', 'true', 'parabolic', 'true')
9
10 dev_set_color ('green')
11 dev_display (Image)
12 dev_display (Lines)
由前文可知，对于线条提取，我们只需要掌握lines_color和lines_gauss这两个算子即可。
参考资料：
【Halcon】2D测量之三
lines_gauss用法解析
--------------------------------------------
本文系原创，转载请注明出处。
如果文章对您有帮助，可以点击下方的【好文要顶】或【关注我】；如果您想进一步表示感谢，可通过网页右侧的【打赏】功能进行打赏。
感谢您的支持，我会继续写出更多的相关文章！文章有不理解的地方欢迎跟帖交流，博主经常在线！^_^
