本示在前面几个halcon ROI示例的基础上继续扩展，更靠进实标情况。为了使ROI匹配更灵活，就要求可以让用户或工程根据实际使用情况自己去画ROI，想画几个是几个。数量不能在代码里写死。

        这次升级的主要是增加了一个while循环根据用户的鼠标按键来进行判断是否继续画，还是退出画ROI。

效果

代码

dev_set_color ('red')
dev_set_draw ('margin')
*获取窗口句柄对象
dev_get_window (WindowHandle)
*读取图片
read_image (Image, 'E:/stevenChen/机器视觉学习/HDevelop/视觉图片/ROI/1.bmp')

*生成一个空区域
gen_empty_region (ROIRegion)

dev_disp_text ('开始绘制ROI区域', 'window', 'top', 'left', 'green', [], [])
*选取ROI
mbutton := 1

while(mbutton == 1)
    *画矩形
    *参数说明
    *WindowHandle (输入参数)窗口句柄
    *Row, Column (输出参数)矩形的中心坐标
    draw_rectangle2 (WindowHandle, Row, Column, Phi, Length1, Length2)
    *生成矩形
*根据上面算子的输出参数生成一个矩形
*Rectangle 输出参数，生成的矩形
*Row1, Column1 (输入参数)矩形的左上角坐标
*Row2, Column2 (输入参数)矩形的右上角坐标
    gen_rectangle2 (Rectangle2, Row, Column, Phi, Length1, Length2)
    *连接两个对象，ObjectsConcat = [Objects1,Objects2]
*参数列表：
*第1个参数Objects1是输入对象，即对象1
*第2个参数Objects2是输入变量，即对象2
*第3个参数ObjectsConcat是输出变量，即连接后的区域
    concat_obj (ROIRegion, Rectangle2, ROIRegion)
    
    *获取鼠标按键，按下鼠标左键 继续绘制，按下鼠标右键结束绘制
    get_mbutton (WindowHandle, Row1, Column1, mbutton)
endwhile


*把所有的输入区域合并为一个区域
*功能：函数将Region元组内的全部区域合并成一个独立的区域，保存于RegionUnion
*参数：
*Region (input_object) ——要计算其并集的区域，也就是一个个的输入区域
*RegionUnion (output_object) ——所有输出区域的并集
            *要素数: RegionUnion <= Region
union1 (ROIRegion, RegionUnion)

*锁定ROI并创建模板
*单ROI
*获得特定区域Region位置的图像，获取区域图像
*Image （输入参数）输入的图像
*Rectangle 输入参数）输入的区域，上面画的矩形区域
*ImageReduced （输出参数）输出的图像，是Image中Rectangle的那部分图像
reduce_domain (Image, RegionUnion, ImageReduced)
*用于创建形状模板
*形状模板是一种用于检测和匹配特定形状的工具，常用于目标识别、物体定位和测量等应用中。
*参数说明：
*ObjectModel：包含待创建模板的形状的二值图像。
*NumLevels：金字塔层数，用于多尺度匹配。可设为“auto”或0—10的整数
*AngleStart：起始角度（以度为单位），用于模板的旋转范围。rad(-180)
*AngleExtent：旋转角度的范围（以度为单位）。rad(-180), rad(180)表示360度匹配
*AngleStep：旋转角度的步长，可以是’auto’或具体的值。
*ScaleMin：最小缩放比例。
*ScaleMax：最大缩放比例。
*ScaleStep：缩放比例的步长。
*Optimization：优化模式，用于加速模板匹配。
*Metric：模板匹配的度量方式。
*Contrast：对比度增强系数。
*MinContrast：最小对比度阈值。
*ModelID：输出的模板ID。
*https://blog.csdn.net/xiaogongzhu001/article/details/131120014
*1.NumLevels（金字塔的层数），金字塔的层数越大，找到匹配使用的时间就越小。（金字塔的层数越大，提取到的特征越少，精准度越低，所以对应的识别时间少）
*如果金字塔的层数设置的太大，模板不容易识别出来，这是需要将find_shape_model函数中MinScore和Greediness参数设置的低一些。
*参数解析及优化 https://blog.csdn.net/the_future_way/article/details/115345989
*create_shape_model (ImageReduced, 'auto', rad(0), rad(360), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
create_shape_model (ImageReduced, 'auto', rad(-180), rad(180), 'auto', 'auto', 'use_polarity', 'auto', 'auto', ModelID)
*-----模板创建结束----------------------------------

*-----开始测试----------------------------------------------
*4.加载测试图像
read_image (Image1, 'E:/stevenChen/机器视觉学习/HDevelop/视觉图片/ROI/120.bmp')

*5.使用已有模板句柄来匹配
*形状模板匹配
*形状匹配原理：模板创建后，会根据模板中的边缘等关系去图像中进行搜索，可以理解成提取模板中的灰度发生变化的那些点，
*然后再去图像中匹配，这样的效果是对干扰比较稳定，匹配速度快，并且即使边缘发生部分遮挡，匹配效果依旧较好
*参数说明
*参数1：输入图像--单通道图像
*参数2：模板句柄
*参数3：搜索时的起始角度 rad(-180), rad(180) 正好是一圈
*参数4：搜索时的终止角度，必须与创建模板时的有交集 
*参数5:被找到的模板最小分数--大于等于这个值才能被匹配
*      默认值：0.5      建议值：0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0
*      典型值范围：0≤MinScore ≤ 1
*      最小增量：0.01       建议增量：0.05
*参数6：要找到的模板最大实例数
*参数7：要找到的模型实例的最大重叠
*      默认值：0.5       建议值：0.0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0
*      典型值范围：0≤ MaxOverlap≤ 1      最小增量：0.01     建议增量：0.05
*参数8：计算精度的设置
*        'none', 'interpolation', 'least_squares', 'least_squares_high', 'least_squares_very_high'
*        'max_deformation 1', 'max_deformation 2', 'max_deformation 3', 'max_deformation 4'
*        'max_deformation 5', 'max_deformation 6'
*参数9：搜索时金字塔的层级
*参数10：贪婪度，搜索启发式，一般都设为0.8，越高速度快,容易出现找不到的情况
*       0≤ Greediness ≤ 1   
*最后4个：输出匹配位置的行和列坐标、角度、得分 【中心坐标】
*https://blog.51cto.com/liming19680104/5152387
*find_shape_model (Image1, ModelID, rad(0), rad(360), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)
find_shape_model (Image1, ModelID, rad(-180), rad(180), 0.5, 1, 0.5, 'least_squares', 0, 0.9, Row, Column, Angle, Score)

*6.把匹配轮廓显示到图像中
*ModelContours 输出参数,匹配到的模块轮廓，
*ModelID 输入参数，模板ID,
*Level 金字塔层数
get_shape_model_contours(ModelContours, ModelID, 1)
*从点和角度计算刚性仿射变换
*参数：
*Row1 (输入参数) ——原始点的行坐标
*Column1 (输入参数) ——原始点的列坐标
*Angle1 (输入参数) ——原始点的角度
*Row2 (输入参数) ——转换点的行坐标
*Column2 (输入参数) ——转换点的列坐标
*Angle2 (输入参数) ——转换点的角度
*HomMat2D (输出参数) ——输出转换矩阵
*原文链接：https://blog.csdn.net/m0_51271525/article/details/121017373
vector_angle_to_rigid (0, 0, 0, Row, Column, Angle, HomMat2D)
*仿射变换轮廓
*对XLD轮廓进行任意仿射2D变换
*将任意仿射2D变换，即缩放、旋转、平移和倾斜（倾斜）应用于轮廓中给定的xld轮廓，并以ContoursAffineTrans的形式返回变换后的轮廓
*参数：
*Contours (输入参数) ——输入XLD轮廓。
*ContoursAffineTrans (输出参数) ——转换后的XLD轮廓
*HomMat2D (输入参数) ——输入转换矩阵
affine_trans_contour_xld (ModelContours, ContoursAffineTrans, HomMat2D)

*显示结果
dev_display (Image)
dev_set_color ('green')
dev_display (ContoursAffineTrans)

*释放模板句柄
clear_shape_model (ModelID)