ゴールデンテンプレート検証 (EChecker)

参照画像が前処理されてピクセルの許容範囲が計算され、EasyObject（レガシー）で使用できるように2枚の閾値画像に保存されます。学習結果は後から使用できるようにモデルファイルにアーカイブされます。

参照画像がディスクに保存済みであるのか、取り込まれた画像をオンザフライ方式で処理するのかによって、2とおりの演算モードがあります。

いずれの演算もオンライン処理中は使用できません。

モデルを定義するには、次の手順で演算を実行します：

1. 最初の参照画像で1つまたは2つのROIを配置し、ロケーションパターンを定義します（基準マークまたはランドマーク）。
   移動の自由度を定義するためにこれらのROIは他の2つのROIに囲まれており、パターンマッチング用のサーチエリアとして使用されます。ROIはハンドルをドラッグすることで対話形式で位置決めできます。
   EChecker ではドラッグ操作が制御されます。
   - Draw：ROIおよびハンドルをグラフィックとしてレンダリングします。
   - HitTest：いずれかのハンドル上にあるカーソルを検出します。
   - Drag：ハンドルを移動します。
   これらの関数は3つすべてのROI（パターン、サーチ、検査対象）に適用されます。その際、ユーザーは次のことにすぐに気づきます：

• パターンROIをドラッグすると、許容値が一定になるように、対応するサーチROIが自動的に調整されます。
• サーチROIをドラッグすると、パターンに対して対称的になるようにそのサイズが調整されます。
• サーチエリアを変更すると、検査対象のROIが画像内で最も大きい使用可能な大きさに設定されます。

• 学習する画像がディスク上に保存されている場合、ファイル名のリストを登録し、後で単一コマンド内で学習を実行する際に使用できます（バッチ学習、オンザフライ学習と対照的）。
• 検査される領域を区切るために別のROIが定義されます。この領域には固定された部分（基準マークとともに移動）のピクセルのみが含まれるようにし、背景が含まれないようにします。

• 全画像が統計の学習を使用して処理および平均化されます。視野内での検査対象部分のずれに対処するために位置合わせが、全体的な照明の変化に対処するためにグレーレベル正規化が行われます。
• 理想では少なくとも16枚の画像を学習パスで使用し、低い／高い閾値画像を作成します。ユーザーはグローバルな許容値パラメータを使って許容範囲を強化または緩和できます。Learn(ELearningMode_Ready) を呼び出します。属性RelativeTolerance によって許容範囲が調整されます。
• モデルをファイルに保存する際には、さまざまなROIの位置、基準マークのパターン画像、グレーレベル正規化パラメータ、閾値画像などの関連情報もまとめて保存できます。

検査手順は簡単です。サンプル画像がモデルファイルに合わせて位置合わせされ、グレーレベルが正規化されます。

注記： 検査対象ROIは母画像上になければなりません。パターンとサーチエリアと同じように対話形式で位置決めできます。このROIも他のROIと同時に設定できます。探索許容値を変更すると、検査対象ROIが使用可能な最も大きい範囲にリセットされます。
ECheckerによって検査時にグローバルなRelativeTolerance属性が調整されることがあり、そのときはEasyObject（レガシー）で使用された低い／高い閾値画像が変更されます。
学習後に変更できるのは EChecker パラメータのみです。

検査する画像...	... 高い／低い閾値画像...		... 検出されたブロブ

結果画像はブロブ解析のために ECodedImageオブジェクトに渡されます。このオブジェクトは近傍ピクセルをグループ化してブロブを形成し、小さいブロブ（通常はノイズ）を破棄して、幾何学的な特徴（ロケーション、サイズ、方向など）を測定します。EasyObjectを参照。

それからこの画像は低い／高い参照画像と比較されます（サンプルとテンプレートがピクセル単位で比較され、許容範囲に入らないピクセルが検出されます）。欠陥ピクセルは標準のEasyObject機能によって対処されます。

複数の参照画像を取り込むことで、標準的なグレーレベルの変化や許容範囲の評価が最適化されます：

• 同じ部分の連続画像で何も変化がない場合（静的テスト）、ノイズ分布に相当するグレーレベル分布が得られます。
• 欠陥のない異なる部分の連続画像では、部分による変化が現れます。