前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >浅谈opencv自动光学检测、目标分割和检测(连通区域和findContours)

浅谈opencv自动光学检测、目标分割和检测(连通区域和findContours)

作者头像
砸漏
发布2020-10-29 17:12:02
1.3K0
发布2020-10-29 17:12:02
举报
文章被收录于专栏:恩蓝脚本

步骤如下:

1.图片灰化;

2.中值滤波 去噪

3.求图片的光影(自动光学检测)

4.除法去光影

5.阈值操作

6.实现了三种目标检测方法

主要分两种连通区域和findContours

过程遇到了错误主要是图片忘了灰化处理,随机颜色的问题。下面代码都已经进行了解决

这是findContours的效果

下面是连通区域的结果

代码语言:javascript
复制
#include <opencv2\core\utility.hpp 
#include <opencv2\imgproc.hpp 
#include <opencv2\highgui.hpp 
#include<opencv2\opencv.hpp 
#include <opencv2\core\core.hpp 
#include <opencv2\core\matx.hpp 
#include<string 
#include <iostream 
#include <limits 
using namespace std;
using namespace cv;
Mat img = imread("C:\\Users\\hasee\\Desktop\\luosi.jpg",0);
Mat removeLight(Mat imge, Mat pattern, int method);
Mat calculateLightPattern(Mat img);
static Scalar randomColor(RNG& rng);
void ConnectedComponents(Mat img);
void ConnectedComponetsStats(Mat img);
void FindContoursBasic(Mat img);
void main()
{
Mat img_noise;
medianBlur(img,img_noise,3);
Mat pattern = calculateLightPattern(img_noise);
Mat re_light = removeLight(img_noise, pattern, 1);
Mat img_thr;
threshold(re_light,img_thr,30,255,THRESH_BINARY);
//ConnectedComponents(img_thr);
ConnectedComponetsStats(img_thr);
//FindContoursBasic(img_thr);
waitKey(0);
}
Mat removeLight(Mat imge, Mat pattern, int method) {
Mat aux;
if (method == 1) {
Mat img32, pattern32;
imge.convertTo(img32, CV_32F);
pattern.convertTo(pattern32, CV_32F);
aux = 1 - (img32 / pattern32);
aux = aux * 255;
aux.convertTo(aux, CV_8U);
}
else {
aux = pattern - imge;
}
return aux;
}
Mat calculateLightPattern(Mat img) {
Mat pattern;
blur(img, pattern, Size(img.cols / 3, img.cols / 3));
return pattern;
}
static Scalar randomColor(RNG& rng)
{
int icolor = (unsigned)rng;
return Scalar(icolor & 255, (icolor    8) & 255, (icolor    16) & 255);
}
void ConnectedComponents(Mat img) {
Mat lables;
int num_objects = connectedComponents(img, lables);
if (num_objects < 2) {
cout << "未检测到目标" << endl;
return;
}
else {
cout << "检测到的目标数量: " << num_objects - 1 << endl;
}
Mat output = Mat::zeros(img.rows,img.cols,CV_8UC3);
RNG rng(0xFFFFFFFF);
for (int i = 1; i < num_objects;i++) {
Mat mask = lables == i;
output.setTo(randomColor(rng),mask);
}
imshow("Result",output);
}
void ConnectedComponetsStats(Mat img) {
Mat labels, stats, centroids;
int num_objects = connectedComponentsWithStats(img,labels,stats,centroids);
if (num_objects<2) {
cout << "未检测到目标" << endl;
return;
}
else {
cout << "检测到的目标数量: " << num_objects - 1 << endl;
}
Mat output = Mat::zeros(img.rows, img.cols, CV_8UC3);
RNG rng(0xFFFFFFFF);
for (int i = 1; i < num_objects; i++) {
Mat mask = labels == i;
output.setTo(randomColor(rng), mask);
stringstream ss;
ss << "area: " << stats.at<int (i,CC_STAT_AREA);
putText(output,ss.str(), centroids.at<Point2d (i),FONT_HERSHEY_SIMPLEX,0.4,Scalar(255,255,255));
}
imshow("Result", output);
}
void FindContoursBasic(Mat img) {
vector<vector<Point   contours;
findContours(img, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
Mat output = Mat::zeros(img.rows, img.cols, CV_8UC3);
if (contours.size()==0) {
cout << "未检测到对象" << endl;
return;
}else{
cout << "检测到对象数量: " << contours.size() << endl;
}
RNG rng(0xFFFFFFFF);
for (int i = 0; i < contours.size(); i++)
drawContours(output,contours,i,randomColor(rng));
imshow("Result", output);
}

补充知识:SURF特征点检测与匹配之误匹配点删除

SURF特征点检测与匹配之误匹配点删除

SURF(SpeededUp Robust Feature)是加速版的具有鲁棒性的算法,是SIFT算法的加速版。

但是SURF特征匹配之后有大量的误匹配点,需要对这些误匹配点进行删除。

这里不从理论上讲解SURF原理等,直接说用法。

特征匹配的步骤分为三步:

1、找出特征点

2、描述特征点

3、特征点匹配

具体基本代码见最后。具体的可以看毛星云的书籍,但是个人认为其编程风格不严谨,自己有做改动。

但是匹配出来的结果如下:

有很多的误匹配点,如何对误匹配点进行删除呢。

双向匹配加距离约束。

实验结果如下:效果还是非常好的。

代码语言:javascript
复制
#include "stdafx.h" 
#include <opencv2\opencv.hpp  
#include <opencv2\nonfree\nonfree.hpp  
#include <opencv2\legacy\legacy.hpp  
#include <iostream  
int _tmain(int argc, _TCHAR* argv[]) 
{ 
//读取图片 
cv::Mat srcImg1 = cv::imread("1.jpg", 1); 
cv::Mat srcImg2 = cv::imread("2.jpg", 1); 
if (srcImg1.empty() || srcImg2.empty()) 
{ 
std::cout << "Read Image ERROR!" << std::endl; 
return 0; 
} 
//SURF算子特征点检测 
int minHessian = 700; 
cv::SurfFeatureDetector detector(minHessian);//定义特征点类对象 
std::vector<cv::KeyPoint  keyPoint1, keyPoint2;//存放动态数组,也就是特征点 
detector.detect(srcImg1, keyPoint1); 
detector.detect(srcImg2, keyPoint2); 
//特征向量 
cv::SurfDescriptorExtractor extrator;//定义描述类对象 
cv::Mat descriptor1, descriptor2;//描述对象 
extrator.compute(srcImg1, keyPoint1, descriptor1); 
extrator.compute(srcImg2, keyPoint2, descriptor2); 
//BruteForce暴力匹配 
cv::BruteForceMatcher <cv::L2<float  matcher;//匹配器 
std::vector <cv::DMatch  matches; 
matcher12.match(descriptor1, descriptor2, matches); 
//绘制关键点 
cv::Mat imgMatch; 
cv::drawMatches(srcImg1, keyPoint1, srcImg2, keyPoint2, matches, imgMatch); 
cv::namedWindow("匹配图", CV_WINDOW_AUTOSIZE); 
cv::imshow("匹配图", imgMatch); 
cv::imwrite("匹配图.jpg", imgMatch); 
cv::waitKey(10); 
return 0; 
} 

以上这篇浅谈opencv自动光学检测、目标分割和检测(连通区域和findContours)就是小编分享给大家的全部内容了,希望能给大家一个参考。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2020-09-11 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档