通过比较未知样品一组特征与类（classes）已知的样品的一组特征，从而识别出未知的目标，这个过程就是分类识别（Classification identifies），其中类未知样品在概念上是不明确类的，而类已知的样品则在概念上表明是已知的样品。粒子分类器（Particle Classifier）使用特征向量根据他们的形状来识别样本。颜色分类器（Color Classifier）使用颜色向量根据他们的颜色来识别样本。

分类包含两个阶段：训练和分类。训练是指在分类阶段你需要教会机器视觉软件你想要分类样本的类型的一个过程。你可以训练任意数量的样本来创建一个类的集合，这个类的集合会在后面的分类阶段用于比较未知的样本。你需要存储这些类到一个分类器文件（Classifier File）。训练可能是个一次性的过程，也可能是一个渐进的过程，你可能需要重复的添加新的样品到现有的类中或创建几个不同的类，从而扩大你想要分类样本的范围。

分类阶段则是你设计的机器视觉应用程序将检查图像中一个未知的样本分类到你训练的一个类中。分类阶段分类样品是根据样本与训练样品在共同特征上的相似程度进行分类的。

在许多机器视觉应用程序中，分类是比较常见的。典型的应用包括如下方面：

分拣（Sorting）各种不同形状和颜色的样品。例如，一个分类器可以在一个传送带上分拣不同的样本放到不同箱子中。一个粒子分类器可以分拣不同形状的机械零件；一个颜色分类器则可以分拣不同颜色的零件。示例中输出的分类或识别应用，可以定义特征的类标签。

检查样品时，给每个样本分配一个识别分数，如果样本的分数过低则表明其与训练集中的成员不匹配，从而拒绝该样本。上面示例中输出的样本检查应用可以是通过（Pass）或失败（Fail）。

下面的图演示了训练的流程以及测试分类器。

[attach]8347[/attach]

图1 训练流程与测试分类器

训练与测试的大概过程如下：

收集训练和测量的图像》设置分类器参数》添加或删除样本》训练分类器》测量分类器》通过试？》不通过测试则继续添加和删除样本》通过测试则保存分类器文件。

根据你的特定应用程序，预先确定和标记一组训练样本，它代表了你想要分类样品所有成员的属性。通过选择合适的分类方法（Classification method）和距离度量（distance metric），来为你的应用程序配置分类器。例如，你可以配置NI粒子分类器来区分如下的样本：

l  样本之间有细微的差异，有独立的比例、旋转以及镜面对称。

l  仅在比例方面形状不同。

l  仅在镜面对称方面形状不同。

l  上面这些点之间的组合情况。

如果测试表明当前分类器的执行情况并不如期望的那样好，可以收集更好的代表性样本重新启动训练过程，或尝试使用不同的训练设置。在一些机器视觉应用中，新的零件或新的颜色需要添加到一个现有的分类系统中。这可以通过在现有的分类器中逐步增加新零件或颜色的样本来实现。

基于样本的形状使用二进制分类来识别样本。

背光环境中获得的图像非常适合粒子分类。下面的示图是背光拍摄的图像的例子：

[attach]8350[/attach]

图2 理想的分类图像

[attach]8349[/attach]

图3 理想的分类图像

    下面的图像不适合做粒子分类，因为它们包含了几个独立的部件或灰度，同时含有内部模式。

[attach]8348[/attach]

图4 不适合做分类的图像（多部件）

[attach]8351[/attach]

图5 不适合做分类的图像（多灰度）

考虑一个示例应用程序，其目的是分拣螺母和螺栓。在本示例中的类是螺母Nut和螺栓Bolt。