opencv的实用研究--分析轮廓并寻找边界点

opencv的实用研究--分析轮廓并寻找边界点
​      轮廓是图像处理中非常常见的。对现实中的图像进行采样、色彩变化、灰度变化之后,能够处理得到的是“轮廓”。它直接地反应你了需要分析对象的边界特征。而对轮廓的分析,实际上也就是对原图像特征的分析。
      在Opencv中,已经实现了基础的轮廓算法,但是相比较于比如halcon这样的专业软件,在轮廓处理这块的功能还是比较缺乏的。这里就通过一个具体问题,说明自己的学习研究。不对之处欢迎批评。
       P.S这里的轮廓处理相关函数,已经包涵在GOBase中,具体可以到公告中找Github.
一、问题提出
      那么如果对于一个简单的图像,比如
opencv的实用研究--分析轮廓并寻找边界点
      已经获得了最大物体的轮廓,比如
  //灰度域变化
threshold(gray,gray,0,255,THRESH_BINARY_INV);
GaussianBlur(gray,gray,Size(3,3),0,0);
//寻找和绘制轮廓
VP bigestContour = FindBigestContour(gray);
contours.push_back(bigestContour);

  

 
    opencv的实用研究--分析轮廓并寻找边界点
     由于在opencv里面,轮廓是以
  1.  vector<vector<point>>

保存的,那么如何获得这个轮廓的四个顶点了?

     尝试直接打印轮廓中第一个点,那么的确是左上角
opencv的实用研究--分析轮廓并寻找边界点
但是不具有通用性,在一些比较复杂的图片上面效果不行,比如
opencv的实用研究--分析轮廓并寻找边界点
那么也就是说,必须通过特征分析的方法获得已经获得的轮廓中点的特性,而opencv本身没有提供相关功能。
二、直观的解决
      现在,对于“左上”和“右下”的两个点,是比较好分析的。因为在所有的包含在轮廓中的点中,他们一个是x,y同时最小的,一个是x,y同时最大的。
      比较复杂的是“左下”和"右上"两个点,因为他们的数值不是非常有特征,比较容易产生混淆。这个时候,如果仅仅是通过x,y值来分析,即使是对于简单图像,也很难得到稳定的结果。
  1. int itopleft =65535;
    int idownright =0;
    Point ptopleft;
    Point pdownright;
    Point pdownleft;
    for(int i=0;i<bigestContour.size();i++){
    //左上
    if(bigestContour[i].x + bigestContour[i].y <itopleft){
    itopleft = bigestContour[i].x + bigestContour[i].y ;
    ptopleft = bigestContour[i];
    }
    //右下
    if(bigestContour[i].x+bigestContour[i].y>idownright){
    idownright = bigestContour[i].x+bigestContour[i].y;
    pdownright = bigestContour[i];
    }
    }
    int idownleft =65534;
    //对于左下的点来说,应该是所有y大于左上的点中,x最小的
    for(int i=0;i<bigestContour.size();i++){
    if(bigestContour[i].y>ptopleft.y){
    if(bigestContour[i].x<idownleft){
    idownleft = bigestContour[i].x;
    pdownleft = bigestContour[i];
    }
    }
    }
    //绘制
    circle(board,ptopleft,10,Scalar(255),5);
    circle(board,pdownright,10,Scalar(255),5);
    circle(board,pdownleft,10,Scalar(255),5);

      

三、利用模型来解决
      那么,直观的方法是不稳定的。这个时候,我想到在进行图像处理的时候,有所谓“特征点”的说法。比较常见的比如harris/shift/surf。那么我是否能够通过分析轮廓图像,找到轮廓图像特征点的方法找到我需要的边角了?
      编码实现:
///在board上寻找角点
///// Detector parameters
int blockSize = 2;
int apertureSize = 3;
double k = 0.04;
int thresh = 1;
/// Detecting corners
board.convertTo(board,CV_32F);
cornerHarris( board,dst,2,3,0.04);
///// Normalizing
normalize( dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1, Mat() );
convertScaleAbs( dst_norm, dst_norm_scaled );
///// Drawing a circle around corners
for( int j = 0; j < dst_norm.rows ; j++ ) {
for( int i = 0; i < dst_norm.cols; i++ ) {
if( (int) dst_norm.at<float>(j,i) > thresh ) {
circle( dst_norm_scaled, Point( i, j ), 5, Scalar(0), 2, 8, 0 );
circle(src,Point( i, j ), 5, Scalar(255,0,0), -1, 8, 0 );
}
}
}

  

得到结果
opencv的实用研究--分析轮廓并寻找边界点
NICE,在图像中已经明显的显示出来了4个边界点,再加上已经有的两个点,得到结果不成问题。
四、问题进一步研究
      但是这里其实是用了一个“投机取巧”的方法,那就是使用图像处理的才使用的harris算法来分析轮廓。opencv默认实现的harris速度慢且会内存移除。用在这个简单的例子里面看似可以,但是无法处理现实问题。所以就必须分析原理。
      做图像处理有一段时间了,我经常反思回忆,在图像处理中,能够稳定解决问题的,往往依靠的是“先验知识,本质特征”;越是分析逼近图像的本质特征,越能够发现稳定的解决方法。比如对于轮廓的角来说,很容易想到处于边角的点和两边的点肯定具有一定的关系,而这种关系具有特征性。
      所以有目的地寻找论文,很快就有了成果:
 
opencv的实用研究--分析轮廓并寻找边界点
 
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
opencv的实用研究--分析轮廓并寻找边界点
      对于我的研究来说,这篇论文两个贡献:一个是告知首先要对图像进行高斯模糊,这个是我之前没有想到的。特别是对于现实世界中的轮廓,这种方法效果很好。因为边角经过模糊,那么还是边角,但毛刺经过模糊,能够有效去除。
       论文中的算法实现是比较简单的,并且给出了简化算法,直接编码验证:
  1.  
    //遍历轮廓,求出所有支撑角度
    int icount = bigestContour.size();
    float fmax = -1;//用于保存局部最大值
    int imax = -1;
    bool bstart = false;
    for (int i=0;i<bigestContour.size();i++){
    Point2f pa = (Point2f)bigestContour[(i+icount-7)%icount];
    Point2f pb = (Point2f)bigestContour[(i+icount+7)%icount];
    Point2f pc = (Point2f)bigestContour[i];
    //两支撑点距离
    float fa = getDistance(pa,pb);
    float fb = getDistance(pa,pc)+getDistance(pb,pc);
    float fang = fa/fb;
    float fsharp = 1-fang;
    if (fsharp>0.05){
    bstart = true;
    if (fsharp>fmax){
    fmax = fsharp;
    imax = i;
    }
    }else{
    if (bstart){
    circle(board,bigestContour[imax],10,Scalar(255),1);
    circle(src,bigestContour[imax],10,Scalar(255,255,255),1);
    imax = -1;
    fmax = -1;
    bstart = false;
    }
    }
    }

      

      编码过程中,相比较于原文,有两处优化(原文中应该也提到了,但是没有明说):一是通过取模,使得所有的轮廓点都参与运算;二是通过比较,取出角点的局部最大值。
      实现效果,比较理想:
opencv的实用研究--分析轮廓并寻找边界点
 
 
五、小结反思
1、掌握知识,如果不能归纳数学模型,并且编码实现,不叫真正掌握;
2、分析研究,如果从简单的情况开始,控制变量,往往能够左右逢源。
上一篇:HTML5 WebAudioAPI(三)--绘制频谱图


下一篇:Mac 系统安装教程