image --- การมองเห็นของเครื่อง

โมดูล image คือหัวใจของกลุ่มฟังก์ชันการมองเห็นของเครื่อง OpenMV โมดูลนี้เปิดเผยคลาส Image ซึ่งเป็นบัฟเฟอร์พิกเซลในหน่วยความจำที่ทุกฟังก์ชันวาด กรอง แปลง และดึงลักษณะเด่นทำงานด้วย รวมถึงออบเจกต์ผลลัพธ์ที่ฟังก์ชันเหล่านั้นส่งคืน (Blob, Line, Circle, Rect, QRCode, AprilTag, DataMatrix, BarCode, ...) และคลาสตัวช่วยสำหรับกำหนดค่า (Threshold, Histogram, Statistics, HaarCascade, Similarity, Percentile, Displacement, ImageIO)

การรับภาพ

มีสี่วิธีในการโหลด Image เข้าสู่ RAM:

  • ถ่ายสดจาก camera sensor เรียก csi.CSI.snapshot() เพื่อถ่ายเฟรมถัดไปลงในบัฟเฟอร์เฟรมโดยตรง โดย Image ที่ส่งคืนจะอ้างอิงไปยังบัฟเฟอร์นั้น

  • จากไฟล์ ส่งพาธไปยังคอนสตรักเตอร์ Image (image.Image("/sd/photo.jpg")) รูปแบบไฟล์บนดิสก์ที่รองรับ ได้แก่ BMP, PPM/PGM, JPEG, PNG และรูปแบบบันทึก ImageIO ของ OpenMV

  • จาก ndarray ส่ง ndarray แบบ float32 ขนาด (h, w) หรือ (h, w, 3) ไปยังคอนสตรักเตอร์ Image พิกเซลจะถูกปรับสเกลจาก 0.0 -- 255.0 เป็นภาพ GRAYSCALE หรือ RGB565 ตามลำดับ ใช้วิธีนี้เพื่อนำผลลัพธ์ tensor จาก ml (หรือ pipeline ใดๆ ของ ulab) กลับมาเป็นภาพที่วาดได้

  • บัฟเฟอร์เปล่า สร้าง Image ด้วยขนาดและรูปแบบพิกเซลที่กำหนด (image.Image(320, 240, image.RGB565)) เพื่อวาดตั้งแต่ต้น หรือใช้เป็น scratch surface สำหรับการคำนวณภาพ

รูปแบบพิกเซล

Image ทุกรูปมีรูปแบบพิกเซลอย่างใดอย่างหนึ่งต่อไปนี้ การเลือกรูปแบบจะแลกเปลี่ยนระหว่างหน่วยความจำ ต้นทุนการประมวลผล และอัลกอริทึมที่ใช้ได้ ใช้ BINARY, GRAYSCALE, RGB565, BAYER, YUV422, JPEG หรือ PNG เป็นอาร์กิวเมนต์ pixformat เมื่อสร้างภาพหรือกำหนดค่า camera sensor:

  • BINARY (1 bpp) -- หนึ่งบิตต่อพิกเซล รูปแบบที่เล็กที่สุด ใช้ภายในโดยฟังก์ชันการกำหนดค่าขีดแบ่งและ morphology แต่แทบไม่ได้ถ่ายจาก sensor โดยตรง

  • GRAYSCALE (8 bpp) -- หนึ่งไบต์ต่อพิกเซล (ช่อง Y ของ YUV422) รูปแบบที่เร็วที่สุดสำหรับอัลกอริทึม computer-vision ส่วนใหญ่ (AprilTag, การตรวจจับขอบ, optical flow)

  • RGB565 (16 bpp) -- สองไบต์ต่อพิกเซล สีแดง 5 บิต / สีเขียว 6 บิต / สีน้ำเงิน 5 บิต รูปแบบสีเริ่มต้น

  • BAYER (8 bpp) -- ข้อมูลสีแบบ Bayer-pattern ดิบที่มาโดยตรงจาก sensor เหมาะสำหรับการ de-mosaic แบบกำหนดเองหรือเก็บพิกเซลได้มากขึ้นในหน่วยความจำน้อยลงก่อน debayer ตามต้องการ

  • YUV422 (16 bpp) -- สีแบบ 4:2:2 chroma-subsampled สองไบต์ต่อพิกเซล เหมาะเมื่อต้องการอัลกอริทึมที่เจาะจง chroma โดยไม่เสียต้นทุนเต็มของ RGB

  • JPEG / PNG -- บัฟเฟอร์ที่บีบอัด เหมาะที่สุดสำหรับการจัดเก็บและส่งผ่านเครือข่าย การดำเนินการระดับพิกเซลต้องเรียก Image.to_grayscale() หรือ Image.to_rgb565() ก่อน

การทำงานกับผลลัพธ์

เมธอดการตรวจจับ/ดึงลักษณะเด่นใน Image ส่งคืนออบเจกต์ที่สามารถวนซ้ำและรวมกันได้ เช่น การเรียก Image.find_blobs() ส่งคืนรายการ Blob, การเรียก Image.find_apriltags() ส่งคืนรายการ AprilTag และอื่นๆ คลาสผลลัพธ์แต่ละคลาสเปิดเผยคุณสมบัติทางเรขาคณิตของการตรวจจับ (จุดศูนย์กลาง, กรอบล้อมรอบ, พื้นที่, ค่าโค้ด ฯลฯ) เพื่อให้ดำเนินการได้โดยตรงหรือส่งกลับไปยังเมธอดวาด (Image.draw_rectangle(), Image.draw_string(), ...)

ตัวช่วยสี

โมดูลยังเปิดเผยฟังก์ชัน pure เล็กๆ สำหรับแปลงค่าพิกเซลแต่ละค่าระหว่างพื้นที่สี binary / grayscale / RGB / LAB / YUV ฟังก์ชันเหล่านี้มีประโยชน์เมื่อต้องแปลงค่าขีดแบ่งหรือรายการ palette ใน Python ก่อนส่งเข้าสู่การดำเนินการภาพ สำหรับการแปลงทั้งภาพให้ใช้เมธอด to_* ของ Image ซึ่งเร็วกว่าการเรียกฟังก์ชันตัวช่วยเหล่านี้ในลูปมาก

คลาส

ฟังก์ชัน

ฟังก์ชันตัวช่วยแปลงพื้นที่สี

ฟังก์ชัน X_to_Y แต่ละตัวด้านล่างทำการแปลงค่าพิกเซลเดียว ทั้งหมดรับ/ส่งคืนค่าในช่วงมาตรฐาน OpenMV:

  • binary -- int 0 -- 1

  • grayscale -- int 0 -- 255

  • RGB -- (r, g, b) tuple ของจำนวนเต็ม 8 บิต (แต่ละค่า 0 -- 255)

  • LAB -- (l, a, b) tuple โดย L อยู่ใน 0 -- 100 และ A/B อยู่ใน -128 -- 127

  • YUV -- (y, u, v) tuple โดย Y อยู่ใน 0 -- 255 และ U/V อยู่ใน -128 -- 127

สำหรับการแปลงทั้งภาพให้ใช้เมธอด to_* ของ Image ซึ่งเร็วกว่าการเรียกฟังก์ชันตัวช่วยเหล่านี้ในลูปมาก

image.binary_to_grayscale(value: int) → int

แปลงค่า binary เป็นค่า grayscale

image.binary_to_rgb(value: int) → Tuple[int, int, int]

แปลงค่า binary เป็น RGB tuple

image.binary_to_lab(value: int) → Tuple[int, int, int]

แปลงค่า binary เป็น LAB tuple

image.binary_to_yuv(value: int) → Tuple[int, int, int]

แปลงค่า binary เป็น YUV tuple

image.grayscale_to_binary(value: int) → int

แปลงค่า grayscale เป็นค่า binary

image.grayscale_to_rgb(value: int) → Tuple[int, int, int]

แปลงค่า grayscale เป็น RGB tuple

image.grayscale_to_lab(value: int) → Tuple[int, int, int]

แปลงค่า grayscale เป็น LAB tuple

image.grayscale_to_yuv(value: int) → Tuple[int, int, int]

แปลงค่า grayscale เป็น YUV tuple

image.rgb_to_binary(value: Tuple[int, int, int]) → int

แปลง RGB tuple เป็นค่า binary

image.rgb_to_grayscale(value: Tuple[int, int, int]) → int

แปลง RGB tuple เป็นค่า grayscale

image.rgb_to_lab(value: Tuple[int, int, int]) → Tuple[int, int, int]

แปลง RGB tuple เป็น LAB tuple

image.rgb_to_yuv(value: Tuple[int, int, int]) → Tuple[int, int, int]

แปลง RGB tuple เป็น YUV tuple

image.lab_to_binary(value: Tuple[int, int, int]) → int

แปลง LAB tuple เป็นค่า binary

image.lab_to_grayscale(value: Tuple[int, int, int]) → int

แปลง LAB tuple เป็นค่า grayscale

image.lab_to_rgb(value: Tuple[int, int, int]) → Tuple[int, int, int]

แปลง LAB tuple เป็น RGB tuple

image.lab_to_yuv(value: Tuple[int, int, int]) → Tuple[int, int, int]

แปลง LAB tuple เป็น YUV tuple

image.yuv_to_binary(value: Tuple[int, int, int]) → int

แปลง YUV tuple เป็นค่า binary

image.yuv_to_grayscale(value: Tuple[int, int, int]) → int

แปลง YUV tuple เป็นค่า grayscale

image.yuv_to_rgb(value: Tuple[int, int, int]) → Tuple[int, int, int]

แปลง YUV tuple เป็น RGB tuple

image.yuv_to_lab(value: Tuple[int, int, int]) → Tuple[int, int, int]

แปลง YUV tuple เป็น LAB tuple

ตัวบ่งชี้ลักษณะเด่น

image.HaarCascade(path: str, stages: int = -1) → Cascade

โหลด Haar Cascade และส่งคืนหมายเลขอ้างอิง Cascade สำหรับใช้กับ Image.find_features()

path อาจเป็น:

  • สตริงตัวอักษร "frontalface" หรือ "eye" เพื่อโหลด cascade หนึ่งในสองที่ฝังอยู่ใน firmware ROM หรือ

  • พาธในระบบไฟล์ไปยังไฟล์ไบนารี .cascade ที่สร้างด้วยเครื่องมือ cascade-converter ของ OpenMV

stages เลือกจำนวน cascade stage ที่จะประเมินเมื่อตรวจจับ -1 ใช้ทุก stage ที่เก็บอยู่ในไฟล์ การลดค่านี้จะเร่งความเร็วการตรวจจับแต่เพิ่ม false positive มากขึ้น

image.load_descriptor(path: str) → kp_desc | lbp_desc

โหลด descriptor จากไฟล์ที่ path และส่งคืน แท็กประเภทภายในของไฟล์จะเลือกว่าจะสร้าง descriptor class ใดขึ้นมาใหม่:

image.save_descriptor(descriptor: kp_desc | lbp_desc, path: str) → None

บันทึก descriptor (ORB keypoint หรือ LBP descriptor) ลงในไฟล์ที่ path ในรูปแบบไฟล์ descriptor ของ OpenMV ไฟล์เดิมสามารถโหลดใหม่ได้ภายหลังผ่าน image.load_descriptor()

image.match_descriptor(descriptor0, descriptor1, threshold: int = 85, filter_outliers: bool = False) → int | kptmatch

จับคู่ descriptor สองตัวที่มีประเภทเดียวกัน

  • สำหรับ LBP descriptor สองตัว -- ส่งคืนค่าระยะ Hamming แบบจำนวนเต็มระหว่างสองตัว (ค่าน้อยกว่าหมายถึงคู่ที่ใกล้เคียงกว่า)

  • สำหรับ ORB keypoint descriptor สองตัว -- ส่งคืน kptmatch ที่อธิบาย keypoint cluster ที่จับคู่กัน หรือ None หากไม่มีคู่ที่ผ่าน threshold

threshold (0 -- 100) กำหนดความเข้มงวดในการจับคู่ ORB เมื่อยอมรับคู่ keypoint ค่าน้อยจะเพิ่มความเข้มงวดโดยปฏิเสธการจับคู่เพื่อนบ้านที่ใกล้ที่สุดที่อ่อนแอ

filter_outliers เปิดใช้งานการปฏิเสธ outlier แบบ RANSAC ในชุด keypoint ที่จับคู่กัน ใช้เมื่อคาดหวัง rigid transform เดียวระหว่างมุมมองทั้งสอง ปิดเมื่อ keypoint ที่จับคู่กันครอบคลุมหลายออบเจกต์

ตัวช่วยเรขาคณิตสำหรับ blob

ตัวช่วยเหล่านี้รับ Blob (ที่ส่งคืนโดย Image.find_blobs()) และคำนวณคุณสมบัติทางเรขาคณิตเพิ่มเติมตามต้องการ ฟังก์ชันเหล่านี้อยู่ที่ระดับโมดูล ไม่ใช่บน Blob ดังนั้น path พื้นฐาน find_blobs() จะไม่เสียต้นทุนจากฟังก์ชันเหล่านี้ เว้นแต่จะเรียกใช้

image.get_solidity(blob: blob) → float

ส่งคืนความเป็นของแข็ง (blob.pixels / convex_hull_area) ของ blob เป็น Float ช่วง 0 -- 1 โดย 1.0 หมายความว่า blob เต็มรูปร่าง convex hull โดยสมบูรณ์

image.get_convexity(blob: blob) → float

ส่งคืนความนูน (convex_hull_perimeter / blob.perimeter) ของ blob เป็น Float ช่วง 0 -- 1 โดย 1.0 คือ blob ที่นูนอย่างสมบูรณ์

image.get_major_axis_line(blob: blob) → line

ส่งคืน Line ตามแกนหลักของ blob (แกนที่ยาวกว่าในสองแกนหลักของสี่เหลี่ยมหมุนที่มีพื้นที่น้อยที่สุด)

image.get_minor_axis_line(blob: blob) → line

ส่งคืน Line ตามแกนรองของ blob (แกนที่สั้นกว่าในสองแกนหลักของสี่เหลี่ยมหมุนที่มีพื้นที่น้อยที่สุด)

image.get_enclosing_circle(blob: blob) → circle

ส่งคืน Circle ที่ล้อมรอบ blob

image.get_enclosed_ellipse(blob: blob) → Tuple[int, int, int, int, int]

ส่งคืน 5-tuple (cx, cy, a, b, rotation) ที่อธิบายวงรีที่บรรจุอยู่ในสี่เหลี่ยมหมุนที่มีพื้นที่น้อยที่สุดรอบ blob:

  • cx / cy -- จุดศูนย์กลางของวงรีในพิกเซล (จำนวนเต็ม)

  • a / b -- ความยาวกึ่งแกนในพิกเซล (จำนวนเต็ม)

  • rotation -- การหมุนของวงรี เป็นองศา (จำนวนเต็ง)

นี่คือ tuple ธรรมดา ไม่ใช่ attrtuple ดังนั้นสามารถเข้าถึงฟิลด์ได้โดยดัชนีเท่านั้น

ค่าคงที่

รูปแบบพิกเซล

ส่งค่าใดๆ ต่อไปนี้เป็นอาร์กิวเมนต์ pixformat ไปยังคอนสตรักเตอร์ Image หรือไปยัง csi.CSI.pixformat()

image.BINARY: int

bitmap 1 บิตต่อพิกเซล รูปแบบที่เล็กที่สุด ใช้ภายในโดยการกำหนดค่าขีดแบ่งและ morphology แทบไม่ถ่ายโดยตรงจาก sensor

image.GRAYSCALE: int

ระดับสีเทา 8 บิตต่อพิกเซล (หนึ่งไบต์ต่อพิกเซล) รูปแบบที่เร็วที่สุดสำหรับอัลกอริทึม computer-vision ส่วนใหญ่ (AprilTag, การตรวจจับขอบ, optical flow)

image.RGB565: int

สี 16 บิตต่อพิกเซล บรรจุเป็นสีแดง 5 บิต / สีเขียว 6 บิต / สีน้ำเงิน 5 บิต รูปแบบสีเริ่มต้น

image.BAYER: int

ข้อมูล Bayer ดิบ 8 บิตต่อพิกเซลที่มาโดยตรงจาก sensor เมธอดการประมวลผลภาพส่วนใหญ่ไม่สามารถใช้กับภาพ Bayer ได้ ใช้รูปแบบนี้เมื่อต้องการ debayer ตามต้องการหรือเก็บพิกเซลได้มากขึ้นในหน่วยความจำน้อยลง

image.YUV422: int

สีแบบ 4:2:2 chroma-subsampled สองไบต์ต่อพิกเซล บรรจุเป็น Y1, U, Y2, V ต่อคู่พิกเซล มีเพียงบางเมธอดการประมวลผลภาพที่ทำงานโดยตรงบน YUV422

image.JPEG: int

บัฟเฟอร์ JPEG ที่บีบอัด การดำเนินการระดับพิกเซลต้องเรียก Image.to_grayscale() หรือ Image.to_rgb565() ก่อน

image.PNG: int

บัฟเฟอร์ PNG ที่บีบอัด การดำเนินการระดับพิกเซลต้องเรียก Image.to_grayscale() หรือ Image.to_rgb565() ก่อน

Color palettes

ส่งค่าใดๆ ต่อไปนี้ไปยัง Image.to_rainbow(), Image.to_ironbow(), Image.draw_image() (color_palette=) หรือไปยัง csi.CSI.color_palette() เพื่อใส่สีให้กับภาพระดับสีเทา

image.PALETTE_RAINBOW: int

วงล้อสีรุ้งที่นุ่มนวล palette เริ่มต้นของ OpenMV สำหรับภาพความร้อน

image.PALETTE_IRONBOW: int

palette "ironbow" แบบไม่เชิงเส้นที่เลียนแบบลักษณะของช่องมองภาพความร้อน FLIR Lepton

image.PALETTE_DEPTH: int

palette สำหรับภาพเชิงลึก มีให้ใช้เฉพาะบน build ที่รองรับ depth-sensor (ToF pipeline เช่น OpenMV Cam AE3 หรือ cam ที่มี ToF Pmod)

image.PALETTE_EVT_DARK: int

Palette สำหรับแสดงเฟรมจากกล้อง event GENX320 บนพื้นหลังมืด ส่งไปยัง csi.CSI.color_palette เพื่อให้ GENX320 driver ส่งออกเฟรม RGB565 ที่ใส่สีในโหมด histogram หรือส่งไปยัง Image.draw_image() color_palette= เมื่อใส่สีให้กับภาพ event ระดับสีเทา

มีให้ใช้เฉพาะบน build ที่รองรับ GENX320 (OpenMV Cam AE3 และ GENX320 Pmod)

image.PALETTE_EVT_LIGHT: int

Palette สำหรับแสดงเฟรมจากกล้อง event GENX320 บนพื้นหลังสว่าง การส่งและความพร้อมใช้งานเหมือนกับ PALETTE_EVT_DARK

โหมดสเกล

ส่งค่าใดๆ ต่อไปนี้เป็นอาร์กิวเมนต์ hint ไปยัง Image.draw_image(), Image.scale() หรือเมธอดสเกลที่คล้ายกัน

image.AREA: int

scaler แบบเฉลี่ยพื้นที่ ใช้เมื่อลดขนาด ส่วนการขยายขนาดจะใช้ Nearest-Neighbor

image.BILINEAR: int

Bilinear scaler ใช้ subsampling เมื่อลดขนาด

image.BICUBIC: int

Bicubic scaler คุณภาพสูงกว่า BILINEAR แต่ช้ากว่า ใช้ subsampling เมื่อลดขนาด

hints การวาด / draw_image

นำค่าใดๆ เหล่านี้มา Bit-OR กันแล้วส่งเป็นอาร์กิวเมนต์ hint ของ Image.draw_image()

image.VFLIP: int

พลิกต้นทางในแนวตั้งขณะวาด

image.HMIRROR: int

สะท้อนต้นทางในแนวนอนขณะวาด

image.TRANSPOSE: int

สลับตำแหน่ง (swap x/y) ของต้นทางขณะวาด

image.CENTER: int

จัดต้นทางให้อยู่ตรงกลางของปลายทาง ออฟเซต x/y ที่ระบุไว้จะกลายเป็นออฟเซตจากจุดกลางแทนที่จะเป็นจากมุมบนซ้าย

image.EXTRACT_RGB_CHANNEL_FIRST: int

เมื่อดึงช่อง RGB ผ่าน Image.draw_image() ให้ดึงช่อง ก่อน สเกล หากไม่มี hint นี้ ช่องจะถูกดึงหลังจากสเกล

image.APPLY_COLOR_PALETTE_FIRST: int

เมื่อใช้ color palette ผ่าน Image.draw_image() ให้ใช้ palette ก่อน สเกล หากไม่มี hint นี้ palette จะถูกใช้หลังจากสเกล

image.SCALE_ASPECT_KEEP: int

สเกลต้นทางให้พอดีภายในปลายทางโดยรักษาสัดส่วน (เพิ่มแถบดำเมื่อสัดส่วนต่างกัน)

image.SCALE_ASPECT_EXPAND: int

สเกลต้นทางให้เต็มปลายทางโดยรักษาสัดส่วน (ตัดขอบเมื่อสัดส่วนต่างกัน)

image.SCALE_ASPECT_IGNORE: int

สเกลต้นทางให้เต็มปลายทางโดยไม่สนใจสัดส่วน

image.BLACK_BACKGROUND: int

บอก alpha-blending path ว่าปลายทางเป็นสีดำทราบแน่แล้ว ดังนั้นสามารถข้ามการอ่านพิกเซลปลายทางได้ เร่งความเร็ว alpha effect บนบัฟเฟอร์ที่เพิ่งล้างใหม่

image.ROTATE_90: int

ทางลัดสำหรับ VFLIP | TRANSPOSE (หมุน 90 องศาตามเข็มนาฬิกา)

image.ROTATE_180: int

ทางลัดสำหรับ HMIRROR | VFLIP (หมุน 180 องศา)

image.ROTATE_270: int

ทางลัดสำหรับ HMIRROR | TRANSPOSE (หมุน 270 องศาตามเข็มนาฬิกา)

JPEG subsampling

ส่งค่าใดๆ ต่อไปนี้เป็นอาร์กิวเมนต์ subsampling ไปยัง Image.to_jpeg(), Image.compress() หรือ Image.save() เมื่อเขียน JPEG

image.JPEG_SUBSAMPLING_AUTO: int

เลือก chroma subsampling โดยอัตโนมัติตามการตั้งค่าคุณภาพ JPEG

image.JPEG_SUBSAMPLING_444: int

บังคับ 4:4:4 chroma subsampling (ไม่มีการบีบอัด chroma)

image.JPEG_SUBSAMPLING_422: int

บังคับ 4:2:2 chroma subsampling แนะนำเมื่อสตรีม MJPEG ไปยัง video player ของบุคคลที่สามที่มีปัญหากับ 4:2:0

image.JPEG_SUBSAMPLING_420: int

บังคับ 4:2:0 chroma subsampling

Template matching

ส่งค่าใดๆ ต่อไปนี้เป็นอาร์กิวเมนต์ search ไปยัง Image.find_template()

image.SEARCH_EX: int

การค้นหาแบบละเอียด -- ประเมินทุกตำแหน่งใน ROI ช้าที่สุดแต่รับประกันว่าจะหาการจับคู่ที่ดีที่สุด

image.SEARCH_DS: int

การค้นหาแบบ diamond -- ค้นหาแบบหยาบไปละเอียดที่เร็วกว่า SEARCH_EX มาก แต่อาจพลาด global optimum บน template ที่มีความคล้ายกันสูง

การตรวจจับขอบ

ส่งค่าใดๆ ต่อไปนี้เป็นอาร์กิวเมนต์ algorithm ไปยัง Image.find_edges()

image.EDGE_CANNY: int

Canny edge detector -- ขนาดกราเดียนต์ + non-max suppression + hysteresis คุณภาพสูงกว่า ช้ากว่า

image.EDGE_SIMPLE: int

ตัวตรวจจับขอบแบบ high-pass-filter ที่ผ่านค่าขีดแบ่ง เร็วกว่าแต่ให้ขอบที่หนาและมีสัญญาณรบกวนมากกว่า EDGE_CANNY

ตัวตรวจจับมุม ORB

ส่งค่าใดๆ ต่อไปนี้เป็นอาร์กิวเมนต์ corner_detector ไปยัง Image.find_keypoints()

image.CORNER_FAST: int

FAST corner detector เร็วกว่า CORNER_AGAST แต่แม่นยำน้อยกว่า

image.CORNER_AGAST: int

AGAST corner detector ช้ากว่า CORNER_FAST แต่ให้ keypoint ที่เสถียรกว่า

ตระกูล AprilTag

นำค่าใดๆ ต่อไปนี้มา Bit-OR รวมกันแล้วส่งเป็นอาร์กิวเมนต์ families ไปยัง Image.find_apriltags() แต่ละตระกูลถูกควบคุมโดย build option ของตนเองใน firmware ตระกูลที่ไม่รองรับจะไม่ปรากฏเมื่อ runtime แทนที่จะเป็นศูนย์เสมอ

image.TAG16H5: int

ตระกูล AprilTag 16h5 (30 ID ไม่ซ้ำ, แก้ไขข้อผิดพลาด 0 บิต)

image.TAG25H9: int

ตระกูล AprilTag 25h9 (35 ID ไม่ซ้ำ, แก้ไขข้อผิดพลาดได้สูงสุด 3 บิต)

image.TAG36H10: int

ตระกูล AprilTag 36h10 (2320 ID ไม่ซ้ำ, แก้ไขข้อผิดพลาดได้สูงสุด 3 บิต)

image.TAG36H11: int

ตระกูล AprilTag 36h11 (587 ID ไม่ซ้ำ, แก้ไขข้อผิดพลาดได้สูงสุด 4 บิต) ตระกูลที่พบบ่อยที่สุด

image.TAGCIRCLE21H7: int

ตระกูล AprilTag Circle21h7

image.TAGCIRCLE49H12: int

ตระกูล AprilTag Circle49h12

image.TAGCUSTOM48H12: int

ตระกูล AprilTag Custom48h12

image.TAGSTANDARD41H12: int

ตระกูล AprilTag Standard41h12

image.TAGSTANDARD52H13: int

ตระกูล AprilTag Standard52h13

สัญลักษณ์บาร์โค้ด

ค่าที่รายงานใน BarCode.type สำหรับรายการที่ส่งคืนโดย Image.find_barcodes()

image.EAN2: int

บาร์โค้ด EAN-2 เสริม

image.EAN5: int

บาร์โค้ด EAN-5 เสริม

image.EAN8: int

บาร์โค้ด EAN-8

image.UPCE: int

บาร์โค้ด UPC-E

image.ISBN10: int

บาร์โค้ด ISBN-10

image.UPCA: int

บาร์โค้ด UPC-A

image.EAN13: int

บาร์โค้ด EAN-13

image.ISBN13: int

บาร์โค้ด ISBN-13

image.I25: int

บาร์โค้ด Interleaved 2-of-5

image.DATABAR: int

บาร์โค้ด GS1 DataBar

image.DATABAR_EXP: int

บาร์โค้ด GS1 DataBar Expanded

image.CODABAR: int

บาร์โค้ด Codabar

image.CODE39: int

บาร์โค้ด Code 39

image.PDF417: int

บาร์โค้ด PDF417 2D แบบซ้อน ค่าคงที่นี้มีไว้เพื่อความครบถ้วน แต่ตัวถอดรหัสบาร์โค้ดยังไม่รองรับ PDF417 ขณะนี้ Image.find_barcodes() จะไม่ส่งคืนการตรวจจับประเภทนี้

image.CODE93: int

บาร์โค้ด Code 93

image.CODE128: int

บาร์โค้ด Code 128