这里的类和算子是针对.NET环境的。类和算子是从Halcon 17.12版本开始,名称中未包含数字版本说明的,表示17.12版本中已经包含。名称中有数字说明的,则表示是从数字版本后才增加的。目前已经更新到Halcon 24.11版本。而17.12之前版本中是否包含当前的类和算子,则未做验证。但是从更新历史来看,大部分的类和算子都是包含的,更新版本后,也只是增加一两个新类、几个十来个算子,多数版本可能并未增加新类。增加一个新类相当于增加一个新的功能模块,并不是每个版本都有新功能模块推出的,很多版本只在现有类中增加了几个算子。图像处理发展这么多年,中间增加的功能都比较少,Halcon在引入深度学习后,才多增加了几个类,如深度学习、深度OCR、深度Counting、深度Matching3D等。
《LabVIEW HALCON图像处理入门教程(24.09)》含深度学习,LabVIEW使用NI Vision+Halcon混合编程机器视觉与图像处理入门学习资料
http://visionbbs.com/thread-28124-1-1.html
Index of all Classes and Methods所有类和方法索引
Represents an instance of a training data management class.
表示训练数据管理类的实例。
Add training data to a Gaussian Mixture Model (GMM).
将训练数据添加到高斯混合模型(GMM)中。
Add training data to a k-nearest neighbors (k-NN) classifier.
将训练数据添加到k-最近邻(k-NN)分类器中。
Add training data to a multilayer perceptron (MLP).
将训练数据添加到多层感知机(MLP)中。
Add training data to a support vector machine (SVM).
将训练数据添加到支持向量机(SVM)中。
Add a training sample to training data.
将训练样本添加到训练数据中。
Clears training data for classifiers.
清除分类器的训练数据。
Create a handle for training data for classifiers.
为分类器的训练数据创建句柄。
Deserialize serialized training data for classifiers.
对分类器的序列化训练数据进行反序列化。
Get the training data of a Gaussian Mixture Model (GMM).
获取高斯混合模型(GMM)的训练数据。
Get the training data of a k-nearest neighbors (k-NN) classifier.
获取k-最近邻(k-NN)分类器的训练数据。
Get the training data of a multilayer perceptron (MLP).
获取多层感知机(MLP)的训练数据。
Get the training data of a support vector machine (SVM).
获取支持向量机(SVM)的训练数据。
Return a training sample from training data.
从训练数据中返回训练样本。
Return the number of training samples stored in the training data.
返回训练数据中存储的训练样本数。
Read the training data for classifiers from a file.
从文件中读取分类器的训练数据。
Selects an optimal combination from a set of features to classify the provided data.
从一组特征中选择最佳组合来对提供的数据进行分类。
Selects an optimal subset from a set of features to solve a certain classification problem.
从一组特征中选择一个最佳子集来解决某个分类问题。
Selects an optimal combination of features to classify the provided data.
选择特征的最佳组合来对提供的数据进行分类。
Selects an optimal combination of features to classify the provided data.
选择特征的最佳组合来对提供的数据进行分类。
Select certain features from training data to create training data containing less features.
从训练数据中选择某些特征,以创建包含较少特征的训练数据。
Serialize training data for classifiers.
序列化分类器的训练数据。
Define subfeatures in training data.
在训练数据中定义子特征。
Save the training data for classifiers in a file.
将分类器的训练数据保存在文件中。