opencv---(腐蚀、膨胀、边缘检测、轮廓检索、凸包、多边形拟合)

一、腐蚀(Erode)

　　取符合模板的点, 用区域最小值代替中心位置值(锚点)

　　作用：平滑对象边缘、弱化对象之间的连接。

opencv 中相关函数：(erode)

 1 //      C++
 2 /**
 3 shape:  形状 
 4                   MORPH_RECT  矩形
 5                   MORPH_CROSS   交叉形  十字型
 6                   MORPH_ELLIPSE   椭圆形
 7 esize : 大小
 8 anchor: 锚点，默认为中心
 9 **/
10 Mat getStructuringElement(int shape, Size esize, Point anchor = Point(-1, -1));
11 
12 /**
13 src:  input Mat
14 dst:  output Mat 
15 element : kernel element
16 完整参数：https://docs.opencv.org/4.1.0/d4/d86/group__imgproc__filter.html#gaeb1e0c1033e3f6b891a25d0511362aeb
17 **/
18 erode(const Mat& src, Mat&dst , const Mat& element)  // 基本参数

 1 # python
 2 #    dst    =    cv.erode(    src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]    )
 3 
 4 import cv2 as cv
 5 import numpy as np
 6 
 7 im = cv.imread("test.jpg")
 8 gray = cv.cvtColor(im,cv.COLOR_BGR2GRAY)
 9 ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV|cv.THRESH_OTSU)
10 
11 # 获取 kerenl element
12 kernel = cv.getStructuringElement(cv.MORPH_RECT,(5,5))
13 # 腐蚀
14 dst = cv.erode(binary,kernel)

View Code

二、膨胀(Dilate)

　　实现：使用kernel 划过图像，将区域的最大值赋给锚点位置。

　　作用：致使图像的亮区扩展，能起到平滑边缘的作用。

// C++
/**
src:  input Mat
dst:  output Mat 
kernel : kernel element
完整参数：https://docs.opencv.org/master/d4/d86/group__imgproc__filter.html#ga4ff0f3318642c4f469d0e11f242f3b6c
 **/
#include<opencv2imgprocimgproc.hpp>
void  dilate(InputArray src, OutputArray dst , InputArray kernel)  // 基本参数

三、边缘检测

边缘检测一般步骤：

　　平滑去噪

对比度增强

计算梯度

过滤判断边缘

1、Canny 边缘检测

 1 // C++
 2 #include<opencv2imgprocimgproc.hpp>
 3 
 4 /**
 5 image  : 输入图像
 6 edges  :  输出图像
 7 threshold1： 阈值1，高于该值 被认为时边缘
 8 threshold2： 阈值2， 低于该值可认为不是边缘
 9                                 若在两值之间，该像素仅连接一个高阈值的像素时被保留。
10 apertureSize ： kernel 大小，默认3  sobel kernel ,;取值 1 3 5 7 （奇数，<31）
11 L2gradient ： L2 norm 求梯度
12 
13 详细参数： https://docs.opencv.org/3.4/dd/d1a/group__imgproc__feature.html#ga04723e007ed888ddf11d9ba04e2232de
14 **/
15 void  Canny (InputArray  image,  OutputArray   edges,  double threshold1,  double threshold2,  int apertureSize = 3,  bool  L2gradient = false  )

1 import numpy as np
2 import cv2 as cv
3 
4 # edges    =    cv.Canny(    image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]]    )
5 
6 img = cv2.imread('3.jpg',0)
7 edges = cv2.Canny(img,100,200)

View Code

2、 sobel

sobel kernel:

X 方向3X3： Y方向3x3:

X 方向5x5:

在opencv sobel 函数中当ksize =-1 时：kernel 为：SCHARR

opencv 中函数：

 1 // C++
 2 #include <opencv2/imgproc.hpp>
 3 
 4 /** https://docs.opencv.org/master/d4/d86/group__imgproc__filter.html#gacea54f142e81b6758cb6f375ce782c8d
 5     src:   输入图像
 6     dst:   输出图像
 7     ddepth: output image depth
 8                           src.depth() = CV_8U     ---------------    ddepth =-1/CV_16S/CV_32F/CV_64F
 9                           src.depth() = CV_16U/CV_16S -----    ddepth =-1/CV_32F/CV_64F
10                           src.depth() = CV_64F    ---------------    ddepth = -1/CV_64F
11      dx  / dy  :  差分阶数 0  or 1
12      ksize:   取奇数  -1 ： SCHARR (3x3)   1: 1x3  or 3x1
13 **/
14 void cv::Sobel( InputArray src, OutputArray  dst, int ddepth, int dx, int dy,int ksize=3, double scale=1, double delta=0, int borderType = BORDER_DEFAULT )

1 import cv2 as cv
2 import numpy as np
3 
4 # dst = cv.Sobel(  src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]]  )
5 
6 img = cv.imread('flower.jpg',0)
7 #默认ksize=3
8 sobelx = cv.Sobel(img,cv2.CV_64F,1,0,ksize=3)

四、二值图像的轮廓分析

opencv 中可以使用 findContours()工具，分析二值图像的拓扑结构

void findContours//提取轮廓，用于提取图像的轮廓
(
    InputOutputArray image,//输入图像，必须是8位单通道图像，并且应该转化成二值的
    OutputArrayOfArrays contours,//检测到的轮廓，每个轮廓被表示成一个point向量
    OutputArray hierarchy,//可选的输出向量，包含轮廓的拓扑信息。其中元素的个数和检测到的轮廓的数量相等
    int mode,     //说明需要的轮廓类型和希望的返回值方式
    int method,//轮廓近似方法
    Point offset = Point()
)

参数说明：

hierarchy：每一个轮廓，都包含4个整型数据，分别表示：后一个轮廓的序号、前一个轮廓的序号、子轮廓的序号、父轮廓的序号。

mode：轮廓检索模式

method :

　　　　　　1）、CV_CHAIN_APPROX_NONE 边界上所有连续点

2）、CV_CHAIN_APPROX_SIMPLE 拐点

　　　　　　3）and 4) 、 CV_CHAIN_APPROX_TC89_L1 、 CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似法

# python
import cv2 as cv
import numpy as np

#     contours, hierarchy    =    cv.findContours(    image, mode, method[, contours[, hierarchy[, offset]]]    )


 
img = cv.imread('12.jpeg')
gray = cv.cvtColor ( img , cv2.COLOR_BGR2GRAY )
ret , binary = cv.threshold ( gray , 220 , 255 , cv2.THRESH_BINARY )

# 检测轮廓
contours , hierarchy = cv.findContours ( binary , cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE )

# 画出轮廓
cv.drawContours(img,contours,-1,(0,0,255),3) 

'''
void cv::drawContours   (   InputOutputArray    image,
                            InputArrayOfArrays  contours,
                            int     contourIdx,
                            const Scalar &  color,
                            int     thickness = 1,
                            int     lineType = LINE_8,
                            InputArray  hierarchy = noArray(),
                            int     maxLevel = INT_MAX,
                            Point   offset = Point() 
                        )
#image:输入输出图像，Mat类型即可 
#contours:使用findContours检测到的轮廓数据，每个轮廓以点向量的形式存储，point类型的vector 
#contourIdx:绘制轮廓的只是变量，如果为负值则绘制所有输入轮廓 
#color:轮廓颜色 
#thickness:绘制轮廓所用线条粗细度，如果值为负值，则在轮廓内部绘制 
#lineTpye:线条类型，有默认值LINE_8
'''

五、凸包和多边形拟合

凸包：

opencv 中使用 convexHull() 函数来查找对象的凸包。

void cv::convexHull (   InputArray points,
                        OutputArray     hull,
                        bool    clockwise = false,
                        bool    returnPoints = true
)

参数： points: input 2D point set, stored in std::vector or Mat.

hull : 输出参数，用于输出函数调用后找到的凸包

clockwise : 操作方向，true顺时针，fasle逆时针

详细参考： https://docs.opencv.org/master/d3/dc0/group__imgproc__shape.html#ga014b28e56cb8854c0de4a211cb2be656

多边形拟合：

opencv 中使用 approxPolyDP() 函数对图像的轮廓点进行多边形拟合。

void approxPolyDP(InputArray curve, OutputArray approxCurve, double epsilon, bool closed)

参数：

　　　　curve : Input vector of a 2D point stored in std::vector or Mat

approxCurve : 表示输出的多边形点集

　　　　epsilon：精度，两个轮廓点之间的最大距离数

closed: 表示输出的多边形是否封闭

#include<opencv2opencv.hpp>
#include<opencv2imgprocimgproc.hpp>
#include<iostream>

using namespace std;
using namespace cv;


int  main()
{
    //  三通道二值图像 
    Mat img = imread("E:\pcblabels\labels2019-11-01-094405.jpg");
    cout << "read image end..." << endl;

    // 膨胀
    Mat kernel = getStructuringElement(MORPH_RECT, Size(6, 6));
    Mat dilateImg;
    dilate(img, dilateImg, kernel);
    cout << "dilate end....." << endl;

    // 腐蚀
    Mat erodeImg;
    erode(dilateImg, erodeImg, kernel);
    cout << "erode end....." << endl;

    // canny
    Mat cannyImg;
    Canny(dilateImg, cannyImg, 5, 2, 5); // ksize: 奇数
    cout << "Canny end....." << endl;

    // find contours
    vector<vector<Point>> contours;
    vector<Vec4i> hierarchy;
    // 只检测最外层轮廓，并且保存轮廓上所有点
    findContours(cannyImg, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_NONE, Point());
    drawContours(contours, hierarchy, img.size());

    // 找一个点数最多的轮廓
   int index = 0;
    for (int i = 0; i< contours.size(); i++)
    {
        if (contours[i].size() > contours[index].size())
        {
        index = i;
    }
    }
    cout << "findContours end....." << endl;

    
     //凸包
    Mat hullImg = img.clone();
    vector<Point> hull;
    convexHull(Mat(contours[index]), hull, true);
    drawContours(hullImg, vector<vector<Point>>{hull}, 0, Scalar(0,0,255), 1, 8, vector<Vec4i>(), 0, Point());
    cout << "draw hull end....." << endl;   

    // 多边形拟合
    Mat approxImg = img.clone();
    Mat approxImgRes = Mat::zeros(img.size(), CV_8UC1);
    vector<Point> approxPloy;
    approxPolyDP(contours[index], approxPloy, 1, true);
    drawContours(approxImg, contours, index, Scalar(255, 0, 0), 1, 8, hierarchy);
    drawContours(approxImgRes, vector<vector<Point>>{approxPloy}, 0, Scalar(255), 2, 8, vector<Vec4i>(), 0, Point());
    cout << "draw approxPolyDP end....." << endl;

    return 0;
}

相关阅读:
植物-常见植物：苍耳草
 Linux 服务的加入删除，自己主动执行及状态
 HTML标签列表
 cocos2d js ClippingNode 制作标题闪亮特效
 被AppStore拒绝理由(一)
開始学习hadoop
改动mysqlpassword
hdu 1874 畅通project续
 发现百度开源一个好东西，Echarts统计报表前段框架
 一个基于cocos2d-x 3.0和Box2d的demo小程序
原文地址：https://www.cnblogs.com/feihu-h/p/11814150.html