十一期间在家用期间研读了下Halcon的variation_model模型，基本上全系复现了他的所有技术要求和细节，这里做个记录。
其实这个模型的所有原理都不是很复杂的，而且Halcon中的帮助文档也讲的很是清楚，所以通过猜测、测试、编码基本能搞清楚是怎么回事。
关于这个模型，Halcon里有如下十来个函数：
create_variation_model、prepare_variation_model, train_variation_model、compare_variation_model、prepare_direct_variation_model、clear_variation_model, clear_train_data_variation_model, compare_ext_variation_model, ge服务器托管网t_thresh_images_variation_model, get_variation_model、 clear_train_data_variation_model, write_variation_model 。
看起来涉及到了蛮多的东西的。
那么一般的工作流程是：create_variation_model —> train_variation_model —> prepare_variation_model —> compare_variation_model —>clear_variation_mode。
即： 创建模型，然后训练模型，接着就是准备模型，这个时候就可以使用了，那么可以开始做输入比较了，比较完事了，清楚模型。
所谓的variation_model的模型呢，其实是从一系列已经确认是OK的样图中，训练出2幅结果图，即上限图和下限图，也可以认为是训练出图像公差带，当要进行比较的时候，就看输入的图像的每个像素是否位于这个公差带之类，如果是，则这个点是合格的，不是，则这个像素点就是不合格的区域。
那么在Halcon中，把这个工作就分解为了上面这一大堆函数。我们稍微来对每个函数做个解析。
一、create_variation_model 创建模型。
这个算子有如下几个参数：
create_variation_model( : : Width, Height, Type, Mode : ModelID)
这里主要是注意Type和Mode两个参数。
其中Type可以取’byte’, ‘int2’, ‘uint2’ 这三种类型，我这里的解读是这个算子支持我们常用的8位灰度图像 和 16位的Raw图像， 16位因为有signed short和unsigned short，所有这里也有int2 和uint2两种类型。
Mode参数有3个选择，: ‘standard’, ‘robust’, ‘direct’，这也是这个算子的灵魂所在，具体的做法后续再说，在创建时只是保存了他们的值，并没有做什么。
那么创建的工作要做的一个事情就是分配内存，Halcon里的帮助文章是这样描述的：
A variation model created with create_variation_model requires 12*Width*Height bytes of memory for Mode = ‘standard’ and Mode = ‘robust’ for Type = ‘byte’. For Type = ‘uint2’ and Type = ‘int2’, 14*Width*Height are required. For Mode = ‘direct’ and after the training data has been cleared with clear_train_data_variation_model, 2*Width*Height bytes are required for Type = ‘byte’ and 4*Width*Height for the other image types.
为什么是这样的内存，我们后续再说，接着看下一个函数。
二、train_variation_model 训练模型
这个算子是这个功能的最有特色的地方，他用于计算出variation_model 模型中的ideal image和variation image，即理想图像和方差图像。
当Mode选择’standard’, ‘robust’时，此算子有效，当Mode为’direct’无效。
Mode为’standard’时，训练采用求多幅平均值的方式获取理想图像以及对应的方差图像，Mode为’robust’时，采用，求多幅图像的中间值的方式获取理想图像以及对应的方差图像。
注意，这里的服务器托管网求均值和方差是针对同一坐标位置，不同图像而言的，而不是针对单一图像领域而言，这个概念一定不能能错了，比如训练5副图像，他们某一行的对应位置数据分别为：
当选择模式为’standard’，训练结果的ideal image 值应该是（实际还需要四舍五入求整）：
当选择模式为’robust’，训练结果的ideal image 值应该是:
当选择’standard’模式，我们可以在找到一副OK图像的时候，单独把这幅图像的数据训练到variation_model模型，而如果使用’robust’方式，则必须一次性把所有的OK图像添加到训练模型中，无法动态的添加对象，但是，由于’robust’模式采用的是中值的方式，因此，其抗噪音效果要好很多。
为什么’standard’模式可以随时添加，而’robust’只能一次性添加，其实这个也很简单，前一次求平均值的信息如果临时保存了，那么在新的OK图需要添加时，可以直接利用前一次的有关信息进行沟通，而如果是采用求中值的方式，前面的排序信息一是难以保存（数据量大），二是即使保存了，对本次排序的作用也不大。
这个时候我们停来下分析下前面Halcon文档里的提出的variation_model模型的内存占用大小，假如我们的Type是byte类型，使用’standard’模式，那么Ideal Image占用一份Width*Height字节内存，variation image必须是浮点类型的，占用 4 *Width*Height字节内存，另外，我们能随时添加新的OK的图像，应该还需要一个临时的int 类型的数据保存累加值（虽然Ideal Image保存了平均值，但是他是已经进行了取舍了， 精度不够），这需要额外的4 *Width*Height字节内存，后面我们提到variation_model还需要有2个width * height自己大小的内存用来保存上限和下限的图像数据，因此这里就有大概 1 + 4 + 4 + 2 = 11 * width * height的内存了，还差一个，呵呵，不知道干啥的了。
选择’robust’模式时，ideal image好说，就是取中间值，但是对于variation image，并不是普通的方差图像，在halcon中时这样描述的：The corresponding variation image is computed as a suitably scaled median absolute deviation of the training images and the median image at the respective image positions，实际上，他这里是计算的绝对中位差，即计算下面这个数的中间值了。
MAD=median(∣X−median(X)∣)
这个还需要举例说明吗？？？？
对于使用‘standard’模式的计算优化，也是有很多技巧的，不过这个应该很多人能掌握吧。但是如果是’robust’模式，直接写求中值的方法大家应该都会，但是因为这是个小规模大批量的排序和求中值的过程，其实是非常耗时的，比如W = 1000， H=1000，如果训练20副图像，那么就是1000*1000 = 100万个20个数字的排序，而且还涉及到到一个非常严重的cache miss问题。 即这20个数字的读取每次都是跨越很大的内存地址差异的。
如何提高这个排序的过程，我觉得在这里指令集是有最大的优势的，他有两个好处，一是一次性处理多个字节，比如SSE处理16个字节，这样我也就可以一次性加载16个字节，整体而言就少了很多次cache miss，第二，如果我需要利用指令集，则我需要尽量的避免条件判断，因此，很多稍微显得高级一点的排序都不太合适，我需要找到那种固定循环次数的最为有效，比如冒泡排序，他就是固定的循环次数。
对于N个图像的逐像素排序求中值，一个简单的C代码如下所示：
纯C代码的话，这个的效率绝对不是最高的，有很多优秀的排序算法都可以比这个快很多。但是他是最简单，也是最简洁的，最适合进行SIMD优化的。 看到中间的X循环了吗，那就是他主要的计算量所在，这个循环用指令集优化是不是很简单。
有人说这个循环就是个典型的判断分支语句啊，你刚刚说要避免分支，这明显不就是个矛盾吗，那么我如果把这个循环这样写呢：
他们结果是不是一样，还有分支吗，好了，到这一步，后面的SIMD指令应该不需要我说怎么写了吧，_mm_min_epu8 +_mm_max_epu8。
至于median absolute deviation的中值的计算，除了需要计算MAD值之外，其他有任何区别吗？ MAD不恰好也可以用byte类型来记录吗，应该懂了吧。
三、prepare_variation_model 准备模型
这个算子的有如下几个参数：
prepare_variation_model( : : ModelID, AbsThreshold, VarThreshold : )
这个算子实际上是根据前面的训练结果结合输入的AbsThreshold和VarThreshold参数确定最终的上限和下限图像，即确认公差带。
Halcon内部的计算公式为：
i(x,y)是前面得到的Ideal Image, v(x,y)为variation image， au/al/bu/bl即为算子的输入参数。这个没有啥好说的，具体可以看Halcon的帮助文档。
四、compare_variation_model 比较模型
算子原型为： compare_variation_model(Image : Region : ModelID : )
经过前面的一些列操作，我们的准备工作就完成了，现在可以用来进行检测了，检测的依据如下式：
即在公差带内的图像为合格部分，否则为不合格部分。
五、其他算子
clear_variation_model – 删除模型数据，这个没啥好说的
prepare_direct_variation_model – 直接准备模型数据，这个在Mode设置为direct时有效，他无需经过训练，直接设置上下限数据，一般不使用
clear_train_data_variation_model – 清除训练数据，当我们训练完成后，那个Ideal Image 、variation image、临时数据等等都是没有用的了，都可以释放掉，只需要保留上下限的数据了。
还有几个算子没有必要说了吧。
总的来说，这是个比较简单的算子，实际应用中可能还需要结合模版匹配等等定位操作，然后在映射图像等，当然也有特殊场合可以直接使用的。
我这里做了一个DEMO，有兴趣的朋友可以试用一下：https://files.cnblogs.com/files/Imageshop/Variation_Model.rar?t=1697790804&download=true
翻译
搜索
复制
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.fwqtg.net
访问【WRITE-BUG数字空间】_[内附完整源码和文档] 基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。 该实验产生的点为二维空间中的点。 环境配置java环境，使用原生的Java UI组件JPanel和JFrame 算法原理基于欧式距离的聚…
