OpenCV学习笔记

news2025/1/15 6:58:44

OpenCV基础

threshold函数的使用

https://blog.csdn.net/u012566751/article/details/77046445

图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。OpenCV中提供了函数cv::threshold();

距离变换distanceTransform应用——查找物体质心&&细化字符轮廓

https://www.cnblogs.com/mtcnn/p/9411967.html

distanceTransform方法的功能：
用于计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。

一、查找物体质心

C++

#include "core/core.hpp"
#include "imgproc/imgproc.hpp"
#include "highgui/highgui.hpp"

using namespace cv;

int main(int argc,char *argv[])
{
	float maxValue=0;  //定义距离变换矩阵中的最大值
	Point Pt(0,0);
	Mat image=imread(argv[1]);
	Mat imageGray;
	cvtColor(image,imageGray,CV_RGB2GRAY);
	imageGray=~imageGray;  //取反
	GaussianBlur(imageGray,imageGray,Size(5,5),2); //滤波
	threshold(imageGray,imageGray,20,200,CV_THRESH_BINARY); //阈值化	
	Mat imageThin(imageGray.size(),CV_32FC1); //定义保存距离变换结果的Mat矩阵
	distanceTransform(imageGray,imageThin,CV_DIST_L2,3);  //距离变换
	Mat distShow;
	distShow=Mat::zeros(imageGray.size(),CV_8UC1); //定义细化后的字符轮廓
	for(int i=0;i<imageThin.rows;i++)
	{
		for(int j=0;j<imageThin.cols;j++)
		{
			distShow.at<uchar>(i,j)=imageThin.at<float>(i,j);
			if(imageThin.at<float>(i,j)>maxValue)
			{
				maxValue=imageThin.at<float>(i,j);  //获取距离变换的极大值
				Pt=Point(j,i);  //坐标
			}
		}
	}
	normalize(distShow,distShow,0,255,CV_MINMAX); //为了显示清晰，做了0~255归一化
	circle(image,Pt,maxValue,Scalar(0,0,255),3);	
	circle(image,Pt,3,Scalar(0,255,0),3);
	imshow("Source Image",image);
	imshow("Thin Image",distShow);
	waitKey();
	return 0;
}

1.原始图片：
在这里插入图片描述
2.经过距离变换后距离Mat矩阵dst：
为了显示清晰，做了0~255的归一化。可以看到，中心处最亮，说明了中心点距离零点的距离最远，而最远处就可以作为物体的质心。

3.标记质心（绿色点）：

二、细化轮廓

C++:

#include "core/core.hpp"
#include "imgproc/imgproc.hpp"
#include "highgui/highgui.hpp"

using namespace cv;

int main(int argc,char *argv[])
{
	float maxValue=0;  //定义距离变换矩阵中的最大值
	Mat image=imread(argv[1]);
	Mat imageGray;
	cvtColor(image,imageGray,CV_RGB2GRAY);
	imageGray=~imageGray;  //取反
	GaussianBlur(imageGray,imageGray,Size(5,5),2); //滤波
	threshold(imageGray,imageGray,20,200,CV_THRESH_BINARY); //阈值
	imshow("s",imageGray);
	Mat imageThin(imageGray.size(),CV_32FC1); //定义保存距离变换结果的Mat矩阵
	distanceTransform(imageGray,imageThin,CV_DIST_L2,3);  //距离变换
	Mat distShow;
	distShow=Mat::zeros(imageGray.size(),CV_8UC1); //定义细化后的字符轮廓
	for(int i=0;i<imageThin.rows;i++)
	{
		for(int j=0;j<imageThin.cols;j++)
		{
			if(imageThin.at<float>(i,j)>maxValue)
			{
				maxValue=imageThin.at<float>(i,j);  //获取距离变换的极大值
			}
		}
	}
	for(int i=0;i<imageThin.rows;i++)
	{
		for(int j=0;j<imageThin.cols;j++)
		{
			if(imageThin.at<float>(i,j)>maxValue/1.9)
			{
				distShow.at<uchar>(i,j)=255;   //符合距离大于最大值一定比例条件的点设为255
			}
		}
	}
	imshow("Source Image",image);
	imshow("Thin Image",distShow);
	waitKey();
	return 0;
}

1.原始图像：
在这里插入图片描述
2.细化效果：

形态学操作之腐蚀与膨胀

https://blog.csdn.net/qq_42856191/article/details/123663533

一、腐蚀（erosion）
1.1 什么是腐蚀
简单来说，腐蚀就是把图像中的物体变小了！（用背景去侵蚀前景）

腐蚀的工作过程如下图所示，A是一个集合，B是一个结构单元，我们使用B去对集合A进行腐蚀，腐蚀过程如C所示，在腐蚀过程中，结构单元必须全部位于集合A中才能进行腐蚀操作，最终得到的结果即为D所示。
在这里插入图片描述
Python：

import cv2
import numpy as np


ori = cv2.imread(r"C:\Users\Lenovo\Desktop\original.jpg")   # 读取图像

kernel1 = np.ones((3, 3), np.uint8)     # 3个不同尺度的腐蚀单元
kernel2 = np.ones((5, 5), np.uint8)
kernel3 = np.ones((7, 7), np.uint8)

erosion1 = cv2.erode(ori, kernel1)		# 腐蚀函数
erosion2 = cv2.erode(ori, kernel2)
erosion3 = cv2.erode(ori, kernel3)

cv2.imshow("original", ori)
cv2.imshow("erosion1", erosion1)
cv2.imshow("erosion2", erosion2)
cv2.imshow("erosion3", erosion3)

cv2.imwrite(r'C:\Users\Lenovo\Desktop\erosion1.jpg', erosion1)
cv2.imwrite(r'C:\Users\Lenovo\Desktop\erosion2.jpg', erosion2)
cv2.imwrite(r'C:\Users\Lenovo\Desktop\erosion3.jpg', erosion3)

cv2.waitKey()

下面展示的是程序得到的结果图，由图可知，腐蚀能对图像中的毛刺进行去除，但这也与腐蚀单元的大小有关，3 × 3 3×33×3大小的核去除效果不如5 × 5 5×55×5与7 × 7 7×77×7，此外7 × 7 7×77×7的核使得图像变得更加细小。
在这里插入图片描述

二、膨胀（dilation）

2.1 什么是膨胀
简单来说，膨胀就是把图像中的物体变大了！（对前景进行膨胀）

膨胀的工作过程如下图所示，A是一个集合，B是一个结构单元，我们使用B去对集合A进行膨胀，膨胀过程如C所示，在膨胀过程中，结构单元只要有一个位于集合A中就能进行膨胀操作，最终得到的结果即为D所示。
在这里插入图片描述
Python:

import cv2
import numpy as np


ori = cv2.imread(r"C:\Users\Lenovo\Desktop\original.jpg")   # 读取图像

kernel1 = np.ones((3, 3), np.uint8)     # 3个不同尺度的腐蚀单元
kernel2 = np.ones((5, 5), np.uint8)
kernel3 = np.ones((9, 9), np.uint8)

dilation1 = cv2.dilate(ori, kernel1)    # 膨胀函数
dilation2 = cv2.dilate(ori, kernel2)
dilation3 = cv2.dilate(ori, kernel3)

cv2.imshow("original", ori)
cv2.imshow("dilation1", dilation1)
cv2.imshow("dilation2", dilation2)
cv2.imshow("dilation3", dilation3)

cv2.imwrite(r'C:\Users\Lenovo\Desktop\dilation1.jpg', dilation1)
cv2.imwrite(r'C:\Users\Lenovo\Desktop\dilation2.jpg', dilation2)
cv2.imwrite(r'C:\Users\Lenovo\Desktop\dilation3.jpg', dilation3)

cv2.waitKey()

下面展示的是程序得到的结果图，由图可知，膨胀能对图像中的物体进行扩张，但这也与膨胀单元的大小有关，越大的膨胀核使得图像扩张区域更大。
在这里插入图片描述

形态学操作之开运算与闭运算

https://blog.csdn.net/qq_42856191/article/details/123670455

一、开运算

1.1 什么是开运算：先腐蚀后膨胀的操作称为开运算。
1.2作用：消除细小物体、在窄区域分离物体、平滑大物体边界等。
在这里插入图片描述

二、闭运算

2.1 什么是闭运算：先膨胀后腐蚀的操作称为闭运算。
2.2作用：填充物体空洞、消除噪声、连接邻近物体、平滑边界等。
在这里插入图片描述

图像分割 – 距离变换与分水岭算法（硬币检测、扑克牌检测、车道检测）

https://blog.csdn.net/great_yzl/article/details/119831771

以上述引用中的硬币检测为例子的分割过程：
1.将RGB图片转换为灰度图
2.去噪
开运算：先侵蚀后膨胀。会将两个物体之间可能存在的粘连噪点过滤，并将前景物体扩大。
3.确定背景区域
对图片进行膨胀操作，将前景扩大，背景也会随之减小。那么此时对象>原对象，此时背景 < 原背景，那么此时的背景自然可以确定为原背景的一部分。（离对象中心很远的是背景）
4.确定前景区域
原理：距离变换，在二值图中把对象缩小，得到的就是原图的一部分，可以确定为前景。
这种距离变换可以将前景中的不同实例分离，距离变换后得到前景物体不同灰度值的像素，通过threshold函数选定一个阈值来缩小前景物体中每个的大小，从而达到将不同实例分离的效果。（不分离的话，可以不用距离变换，只用腐蚀就够了）
下图分别为img原始图片、opening膨胀后的图片、sure_fg距离变换后经过threshold阈值操作获得的确定前景实例
在这里插入图片描述