LAWS纹理滤波
texture_laws(Image, 原图像
ImageTexture, 输出值，滤波后图像
FilterType, 过滤器类型
Shift, 灰度值转换，滤波后的灰度值可能会比较大，转换后的灰度值Gray=Gray/(Shift2)，要根据滤波器选择合适的灰度值转换
FilterSize) 过滤器大小，3， 7， 5可选
过滤器类型帮助文档中有详细列举，
各种大小的过滤器都是由leswruo这几个向量构成，文档中单个向量都有原型，对于组合出来的滤波器矩阵，就是两个向量的点积，例如55大小的le滤波器：
l = [1 4 6 4 1],
e = [-1 -2 0 2 1]
那么le就是：
[le = egin{bmatrix} 1 \ 4 \ 6 \4 \1 end{bmatrix} egin{bmatrix} -1 & -2 & 0 & 2 & 1end{bmatrix}
]
5*5的filter，记录一下，稍后研究一下每一种filter的作用。Filter
使用LAWS做缺陷检测的步骤：
- 收集几张没有缺陷的图片，使用多种laws滤波作为特征，组合成多通道图片，作为训练样本；
- 创建高斯混合分类器，使用样本进行训练；
- 将测试图片与样本做相同处理后，使用高斯混合分类器做分类；
- 将分类后的区域与原区域做减法，减出来的部分就是不能被分类的部分，也就是有问题的部分；
- 筛选出面积较大的区域，可以适当选择开闭运算将区域修整一下。
这里使用到的图像预处理：
使用zoom_image_factor将图像的尺寸减小，可以降低运算时间；
使用smooth_image对混合后的五通道图片做光滑处理
模型的保存与读取：
write_class_gmm
read_class_gmm
# 应用
## 字符分割识别
halcon中有一些已经训练好的ocr模板可供直接使用。
使用已有模板做字符识别的主要步骤：
1. 找出图像区域，将字符串做分割，分割成单个的字符；
2. 读取已经训练好的模板'read_ocr_class_' ，这里有多个分类器可选；
3. 使用 ‘do_ocr_multi_class_’ 对分割后的区域做字符识别或使用`do_ocr_single_class_` 对分割后的单个区域做字符识别。
使用这种方式的局限性：必须找到字符区域并对字符做好分割，只能用于事先已经很了解测试图片的情况。已经定义好的模板不一定好用，自己训练可能更适合。
测试的时候还发现一个特点，对于图像上字母是亮的，背景是暗的情况，识别到的结果一般都是错的，只有在__背景是亮的，字母是暗的__ 情况下，是被才是有效的。
其实我们可以自己训练，怎么训练呢？
[这是网上找到的一个例子](https://blog.csdn.net/ZHANG2012LIANG/article/details/50993173)
由于一时半会儿弄不到那么多字母图片，所以没有尝试。待实现。