一、Canny檢測(cè)輪廓

在上一篇文章中有提到sobel邊緣檢測(cè)，并重寫(xiě)了soble的C++代碼讓其與matlab中算法效果一致，而soble邊緣檢測(cè)是基于單一閾值的，我們不能兼顧到低閾值的豐富邊緣和高閾值時(shí)的邊緣缺失這兩個(gè)問(wèn)題。而canny算子則很好的彌補(bǔ)了這一不足，從目前看來(lái)，canny邊緣檢測(cè)在做圖像輪廓提取方面是最優(yōu)秀的邊緣檢測(cè)算法。

canny邊緣檢測(cè)采用雙閾值值法，高閾值用來(lái)檢測(cè)圖像中重要的、顯著的線條、輪廓等，而低閾值用來(lái)保證不丟失細(xì)節(jié)部分，低閾值檢測(cè)出來(lái)的邊緣更豐富，但是很多邊緣并不是我們關(guān)心的。最后采用一種查找算法，將低閾值中與高閾值的邊緣有重疊的線條保留，其他的線條都刪除。

本篇文章中不對(duì)canny的算法原理作進(jìn)一步說(shuō)明，稍后會(huì)在圖像處理算法相關(guān)的文章中詳細(xì)介紹。

下面我們用OpenCV中的Canny函數(shù)來(lái)檢測(cè)圖像邊緣

int main() 
{ 
  Mat I=imread("../cat.png"); 
  cvtColor(I,I,CV_BGR2GRAY); 
                         
  Mat contours; 
  Canny(I,contours,125,350); 
  threshold(contours,contours,128,255,THRESH_BINARY); 
  namedWindow("Canny"); 
  imshow("Canny",contours); 
  waitKey(); 
  return 0; 
} 

顯示效果如下:

二、直線檢測(cè)

用到的是霍夫變換檢測(cè)直線的算法

直線在圖像中出現(xiàn)的頻率非常之高，而直線作為圖像的特征對(duì)于基本內(nèi)容的圖像分析有著很重要的作用，本文通過(guò)OpenCV中的hough變換來(lái)檢測(cè)圖像中的線條。

我們先看最基本的Hough變換函數(shù)HoughLines，它的原型如下：

void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 );

它的輸入是一個(gè)二值的輪廓圖像，往往是邊緣檢測(cè)得到的結(jié)果圖像；它的輸出是一個(gè)包含多個(gè)Vec2f點(diǎn)的數(shù)組，數(shù)組中的每個(gè)元素是一個(gè)二元浮點(diǎn)數(shù)據(jù)對(duì)<rou,theta>，rou代表直線離坐標(biāo)原點(diǎn)的距離，theta代表角度。第3和第4個(gè)參數(shù)代表步長(zhǎng)，因?yàn)镠ough變換實(shí)際上是一個(gè)窮舉的算法，rho表示距離的步長(zhǎng)，theta代表角度的步長(zhǎng)。第5個(gè)參數(shù)是一個(gè)閾值設(shè)置直接的最低投票個(gè)數(shù)，知道Hough原理的，這個(gè)參數(shù)應(yīng)該很容易理解。

從這個(gè)函數(shù)的輸出結(jié)果我們可以看出，得到的直線并沒(méi)有指定在圖像中的開(kāi)始點(diǎn)與結(jié)束點(diǎn)，需要我們自己去計(jì)算，如果我們想把直接顯示在圖像中就會(huì)比較麻煩，而且會(huì)有很多角度接近的直線，其實(shí)它們是重復(fù)的，為了解決上面這些問(wèn)題，OpenCV又提供了一個(gè)函數(shù)HoughLinesP()。它的輸出是一個(gè)Vector of Vec4i。Vector每一個(gè)元素代表一條直線，是由一個(gè)4元浮點(diǎn)數(shù)組構(gòu)成，前兩個(gè)點(diǎn)一組，后兩個(gè)點(diǎn)一組，代表了在圖像中直線的起始和結(jié)束點(diǎn)。

void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta,int threshold, double minLineLength=0, double maxLineGap=0 );

解釋一下最后兩個(gè)參數(shù)，minLineLength指定了檢測(cè)直線中的最小寬度，如果低于最小寬度則舍棄掉，maxLineGap指定通過(guò)同一點(diǎn)的直線，如果距離小于maxLineGap就會(huì)進(jìn)行合并。

下面是一個(gè)用HoughLinesP檢測(cè)直線的例子：

int main() 
{ 
  Mat image=imread("../car.png"); 
  Mat I; 
  cvtColor(image,I,CV_BGR2GRAY); 
               
  Mat contours; 
  Canny(I,contours,125,350); 
  threshold(contours,contours,128,255,THRESH_BINARY); 
  vector<Vec4i> lines; 
  // 檢測(cè)直線，最小投票為90，線條不短于50，間隙不小于10 
  HoughLinesP(contours,lines,1,CV_PI/180,80,50,10); 
  drawDetectLines(image,lines,Scalar(0,255,0)); 
  namedWindow("Lines"); 
  imshow("Lines",image); 
  waitKey(); 
  return 0; 
} 

上面程序?qū)z測(cè)到的線條保存在lines變量?jī)?nèi)，我們需要進(jìn)一步將它們畫(huà)在圖像上：

void drawDetectLines(Mat& image,const vector<Vec4i>& lines,Scalar & color) 
{ 
  // 將檢測(cè)到的直線在圖上畫(huà)出來(lái) 
  vector<Vec4i>::const_iterator it=lines.begin(); 
  while(it!=lines.end()) 
  { 
    Point pt1((*it)[0],(*it)[1]); 
    Point pt2((*it)[2],(*it)[3]); 
    line(image,pt1,pt2,color,2); // 線條寬度設(shè)置為2 
    ++it; 
  } 
} 

實(shí)際上Hough變換可以檢測(cè)很多固定的形狀，比如：圓、正方形等。它們的原理基本相同，都是構(gòu)造一個(gè)投票矩陣。OpenCV里提供了檢測(cè)圓的函數(shù)HoughCircles，它的輸出是一個(gè)Vector of Vec3i，Vector的每個(gè)元素包含了3個(gè)浮點(diǎn)數(shù)，前2個(gè)是圓的中心坐標(biāo)，最后一個(gè)是半徑。

三、輪廓的提取與描述

在目標(biāo)識(shí)別中我們首先要把感興趣的目標(biāo)提取出來(lái)，而一般常見(jiàn)的步驟都是通過(guò)顏色或紋理提取出目標(biāo)的前景圖（一幅黑白圖像，目標(biāo)以白色顯示在圖像中），接下來(lái)我們要對(duì)前景圖進(jìn)行分析進(jìn)一步地把目標(biāo)提取出來(lái)，而這里常常用到的就是提取目標(biāo)的輪廓。

OpenCV里提取目標(biāo)輪廓的函數(shù)是findContours，它的輸入圖像是一幅二值圖像，輸出的是每一個(gè)連通區(qū)域的輪廓點(diǎn)的集合：vector<vector<Point>>。外層vector的size代表了圖像中輪廓的個(gè)數(shù)，里面vector的size代表了輪廓上點(diǎn)的個(gè)數(shù)。下面我們通過(guò)實(shí)例來(lái)看函數(shù)的用法。

int main() 
 { 
   using namespace cv; 
       
   Mat image=imread("../shape.png"); 
   cvtColor(image,image,CV_BGR2GRAY); 
   vector<vector<Point>> contours; 
   // find 
   findContours(image,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE); 
  // draw 
   Mat result(image.size(),CV_8U,Scalar(0)); 
   drawContours(result,contours,-1,Scalar(255),2); 
       
   namedWindow("contours"); 
   imshow("contours",result); 
   waitKey(); 
   return 0; 
} 

上面程序中包含了2個(gè)函數(shù)，第一個(gè)是查找輪廓函數(shù)，它的第三個(gè)參數(shù)說(shuō)明查找輪廓的類(lèi)型，這里我們使用的是外輪廓，還可以查找所有輪廓，即包括一些孔洞的部分，像圖像人物胳膊與腰間形成的輪廓。第4個(gè)參數(shù)說(shuō)明了輪廓表示的方法，程序中的參數(shù)說(shuō)明輪廓包括了所有點(diǎn)，也可以用其他參數(shù)讓有點(diǎn)直線的地方，只保存直線起始與終點(diǎn)的位置點(diǎn)，具體參數(shù)用法可以參考手冊(cè)里函數(shù)的介紹。

第二個(gè)函數(shù)drawContours是一個(gè)畫(huà)輪廓的函數(shù)，它的第3個(gè)參數(shù)程序里設(shè)置-1表示所有的輪廓都畫(huà)，你也可以指定要畫(huà)的輪廓的序號(hào)。

提取到輪廓后，其實(shí)我們更關(guān)心的是如果把這些輪廓轉(zhuǎn)換為可以利用的特征，也就是涉及到輪廓的描述問(wèn)題，這時(shí)就有多種方法可以選擇，比如矢量化為多邊形、矩形、橢圓等。OpenCV里提供了一些這樣的函數(shù)。

// 輪廓表示為一個(gè)矩形 
Rect r = boundingRect(Mat(contours[0])); 
rectangle(result, r, Scalar(255), 2); 
// 輪廓表示為一個(gè)圓 
float radius; 
Point2f center; 
minEnclosingCircle(Mat(contours[1]), center, radius); 
circle(result, Point(center), static_cast<int>(radius), Scalar(255), 2); 
// 輪廓表示為一個(gè)多邊形 
vector<Point> poly; 
approxPolyDP(Mat(contours[2]), poly, 5, true); 
vector<Point>::const_iterator itp = poly.begin(); 
while (itp != (poly.end() - 1)) 
{ 
  line(result, *itp, *(itp + 1), Scalar(255), 2); 
  ++itp; 
} 
line(result, *itp, *(poly.begin()), Scalar(255), 2); 
// 輪廓表示為凸多邊形 
vector<Point> hull; 
convexHull(Mat(contours[3]), hull); 
vector<Point>::const_iterator ith = hull.begin(); 
while (ith != (hull.end() - 1)) 
{ 
  line(result, *ith, *(ith + 1), Scalar(255), 2); 
  ++ith; 
} 
line(result, *ith, *(hull.begin()), Scalar(255), 2); 

程序中我們依次畫(huà)了矩形、圓、多邊形和凸多邊形。最終效果如下：

對(duì)連通區(qū)域的分析到此遠(yuǎn)遠(yuǎn)沒(méi)有結(jié)束，我們可以進(jìn)一步計(jì)算每一個(gè)連通區(qū)域的其他屬性，比如：重心、中心矩等特征，這些內(nèi)容以后有機(jī)會(huì)展開(kāi)來(lái)寫(xiě)。

以下幾個(gè)函數(shù)可以嘗試：minAreaRect：計(jì)算一個(gè)最小面積的外接矩形，contourArea可以計(jì)算輪廓內(nèi)連通區(qū)域的面積；pointPolygenTest可以用來(lái)判斷一個(gè)點(diǎn)是否在一個(gè)多邊形內(nèi)。mathShapes可以比較兩個(gè)形狀的相似性，相當(dāng)有用的一個(gè)函數(shù)。

總結(jié)

以上就是本文關(guān)于C語(yǔ)言實(shí)現(xiàn)opencv提取直線、輪廓及ROI實(shí)例詳解的全部?jī)?nèi)容，希望對(duì)大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關(guān)專題，如有不足之處，歡迎留言指出。感謝朋友們對(duì)本站的支持！

最新評(píng)論