2. 程式人生 > >OpenCv VS C++ 影象處理（下）

OpenCv VS C++ 影象處理（下）

阿新 • • 發佈：2019-01-04

繼續OpenCv的影象處理

對於上一節的inRange得到兩幅影象等情況，可以使用addWeighted處理。

（1）.然後講形態學濾波

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\opencv.hpp>

using namespace cv;

int main()
{
	VideoCapture capture(0);	//【1】從攝像頭讀入視訊
	while (1)
	{
		Mat frame; //定義一個Mat變數，用於儲存每一幀的影象
		capture >> frame;  //讀取當前幀  

		Mat element = getStructuringElement(MORPH_RECT, Size(15, 15));	//自定義卷積核
		morphologyEx(frame, frame, MORPH_OPEN, element);
		
		imshow("A",frame);
		waitKey(30); //延時30ms
	}	
	return 0;
}

getStructuringElement函式會返回指定形狀和尺寸的結構元素。

這個函式的第一個引數表示核心的形狀，有三種形狀可以選擇。

矩形：MORPH_RECT;

交叉形：MORPH_CORSS;

橢圓形：MORPH_ELLIPSE;

第二和第三個引數分別是核心的尺寸以及錨點的位置。

然後就可以使用形態學濾波（morphologyEx）
表示形態學運算的型別： 
MORPH_OPEN – 開運算（Opening operation） 
MORPH_CLOSE – 閉運算（Closing operation） 
MORPH_GRADIENT - 形態學梯度（Morphological gradient） 
MORPH_TOPHAT - 頂帽（Top hat） 


MORPH_BLACKHAT - 黑帽（Black hat） 

（2）.然後再說說輪廓識別

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\opencv.hpp>

using namespace cv;


int alpha_slider1, alpha_slider2;
void on_trackbar(int, void*) {}

int main()
{
	namedWindow("[總]");
	createTrackbar("Cmin", "[總]", &alpha_slider1, 255, on_trackbar);
	createTrackbar("Cmax", "[總]", &alpha_slider2, 255, on_trackbar);
	VideoCapture capture(0);	//【1】從攝像頭讀入視訊
	while (1)
	{
		Mat frame; //定義一個Mat變數，用於儲存每一幀的影象
		capture >> frame;  //讀取當前幀  

		cvtColor(frame,frame,COLOR_RGB2GRAY);	//轉化為灰度圖
		Canny(frame,frame, alpha_slider1, alpha_slider2);

		imshow("A",frame);
		waitKey(30); //延時30ms
	}	
	return 0;
}
 影象的邊緣檢測的原理是檢測出影象中所有灰度值變化較大的點，而且這些點連線起來就構成了若干線條，這些線條就可以稱為影象的邊緣
函式原型：
    void cvCanny(

      const CvArr* image,              //第一個引數表示輸入影象，必須為單通道灰度圖
      CvArr* edges,                      //第二個引數表示輸出的邊緣影象，為單通道黑白圖
      double threshold1,
      double threshold2,               //第三個引數和第四個引數表示閾值，這二個閾值中當中的小閾值用來控制邊緣連線，大的閾值用來控制強邊緣的初始分割即如果一個畫素的梯度大與上限值，則被認為 是邊緣畫素，如果小於下限閾值，則被拋棄。如果該點的梯度在兩者之間則當這個點與高於上限值的畫素點連線時我們才保留，否則刪除。
      int aperture_size=3              //第五個引數表示Sobel 運算元大小，預設為3即表示一個3*3的矩陣。Sobel 運算元與高斯拉普拉斯運算元都是常用的邊緣運算元

    );

（3）.輪廓提取

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\opencv.hpp>

using namespace std;
using namespace cv;

int alpha_slider1=50, alpha_slider2=50;
void on_trackbar(int, void*) {}

int main()
{
	namedWindow("[總]");
	createTrackbar("Cmin", "[總]", &alpha_slider1, 255, on_trackbar);
	createTrackbar("Cmax", "[總]", &alpha_slider2, 255, on_trackbar);
	VideoCapture capture(0);	//【1】從攝像頭讀入視訊
	while (1)
	{
		Mat frame; //定義一個Mat變數，用於儲存每一幀的影象
		Mat dst;
		capture >> frame;  //讀取當前幀  

		cvtColor(frame,frame,COLOR_RGB2GRAY);	//轉化為灰度圖
		Canny(frame,frame, alpha_slider1, alpha_slider2);
		vector< vector< Point> > contours;
		cv::findContours(
			frame,
			contours,
			cv::noArray(),
			cv::RETR_LIST,
/*cv::RETR_EXTERNAL：表示只提取最外面的輪廓；

cv::RETR_LIST：表示提取所有輪廓並將其放入列表；

cv::RETR_CCOMP:表示提取所有輪廓並將組織成一個兩層結構，其中頂層輪廓是外部輪廓，第二層輪廓是“洞”的輪廓；

cv::RETR_TREE：表示提取所有輪廓並組織成輪廓巢狀的完整層級結構。*/
			cv::CHAIN_APPROX_TC89_L1
/*cv::CHAIN_APPROX_NONE：將輪廓中的所有點的編碼轉換成點；

cv::CHAIN_APPROX_SIMPLE：壓縮水平、垂直和對角直線段，僅保留它們的端點；

cv::CHAIN_APPROX_TC89_L1 or cv::CHAIN_APPROX_TC89_KCOS：應用Teh-Chin鏈近似演算法中的一種風格*/
		);
		dst = frame.clone();
		dst = cv::Scalar::all(0);		//建立全黑影象
		cv::drawContours(dst, contours, -1, cv::Scalar::all(255));	//繪製白色輪廓

		imshow("A",frame);		//原canny濾波影象
		imshow("B", dst);		//對frame進行輪廓查詢並重新繪製的影象
		waitKey(30); //延時30ms
	}	
	return 0;
}

輪廓的查詢——cv::findContours()

函式cv::findContour是從二值影象中來計算輪廓的，它可以使用cv::Canny()函式處理的影象，因為這樣的影象含有邊緣畫素；也可以使用cv::threshold()或者cv::adaptiveThreshold()處理後的影象，其邊緣隱含在正負區域的交界處。

  1. void cv::findContours(
  2. cv::InputOutputArray image, // 輸入的8位單通道“二值”影象
  3. cv::OutputArrayOfArrays contours, // 包含points的vectors的vector
  4. int mode, // 輪廓檢索模式
  5. int method, // 近似方法
  6. cv::Point offset = cv::Point() // (可選) 所有點的偏移
  7. );

輸入影象的所有非零畫素之間都是相等的

輪廓的繪製——cv::drawContours()。

（4）.最後說說通過分析資訊定位

在上一步的程式中定義了vector< vector< Point> > contours;，其中儲存了影象的輪廓資訊，vector<Point>表示一系列的角點，函式findContours會將每個輪廓的點按順序壓入。使用arcLength(,true);可以得到一個輪廓周長。

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\opencv.hpp>

using namespace std;
using namespace cv;

int main()
{
	vector<Point> point_1;		//定義二維點向量
	point_1.push_back(Point(0, 0));
	point_1.push_back(Point(1, 0));
	point_1.push_back(Point(1, 1));
	point_1.push_back(Point(0, 1));		//壓入值

	vector< vector < Point > > point;	//定義二維向量，元素為點
	point.push_back(point_1);			//壓入二維點向量

	//計算輪廓的矩
	double dstLength = arcLength(point[0],true);	//計算剛壓入輪廓的周長
	cout << "【原始輪廓的長度為：】" << dstLength << endl;
	getchar();
	return 0;
}

↑這個程式說明了vector<Point>的儲存及使用。

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\opencv.hpp>

using namespace cv;
using namespace std;

int alpha_slider1=30, alpha_slider2=100;
void on_trackbar(int, void*) {}

int main()
{
	namedWindow("[總]");
	createTrackbar("Cmin", "[總]", &alpha_slider1, 500, on_trackbar);
	createTrackbar("Cmax", "[總]", &alpha_slider2, 500, on_trackbar);
	VideoCapture capture(0);	//【1】從攝像頭讀入視訊
	while (1)
	{
		Mat frame; //定義一個Mat變數，用於儲存每一幀的影象
		capture >> frame;  //讀取當前幀  

		Mat dst = frame.clone();
		cvtColor(frame, frame, COLOR_RGB2GRAY);	//轉化為灰度圖
		GaussianBlur(frame, frame, Size(9, 9),0);	//高斯濾波
		Canny(frame, frame, alpha_slider1, alpha_slider2);	//邊緣檢測
		vector< vector< Point> > contours;
		cv::findContours(
			frame,
			contours,
			cv::noArray(),
			cv::RETR_LIST,
			cv::CHAIN_APPROX_SIMPLE
		);	//獲取輪廓
		for (int i=0;i<contours.size();i++)
		{
			RotatedRect rect = minAreaRect(contours[i]);	//返回最小矩形
			Size s = rect.size;
			Point2f P[4];
			rect.points(P);

			if ((contourArea(contours[i], true) / s.area())- 0.7853<0.1&& (contourArea(contours[i], true) / s.area()) - 0.7853>-0.1)	//（圓）輪廓面積除以最小矩形面積約為
			{
				circle(dst, rect.center, 3, Scalar(255, 0, 0));
				circle(dst, rect.center, 5, Scalar(255, 0, 0));
			}	
		}
		imshow("A", frame);
		imshow("B",dst);
		waitKey(30); //延時30ms
	}
	return 0;
}
↑這個程式包含影象灰度轉換、濾波、邊緣檢測、輪廓獲取、以及圓形識別。相比與霍夫圓變換，速度更快，不過效果沒有它好。

相關推薦

OpenCv VS C++ 影象處理（下）

繼續OpenCv的影象處理對於上一節的inRange得到兩幅影象等情況，可以使用addWeighted處理。（1）.然後講形態學濾波#include<opencv2\core\core.hpp> #include<opencv2\highgui\highgu

OpenCv VS C++ 影象處理（上）

 VS OpenCv配置：  首先是VS的OpenCv配置，外部庫目錄指定和外部包含檔案的指定。 指定建立的工程為空白工程： 建立完工程之後，我們選中解決方案欄中的Resource Files目錄（即原始碼目錄），然後新建一個C++原始碼檔案： 設

OpenCv3 VS C++ 影象識別（下）

總結一下：         cv::KeyPoint——關鍵點         cv::Feature2D——找到關鍵點或計算描述符的抽象類，如上一節的FastFeatureDetector即派生於Feature

C/C++ 影象處理（13）------雙目影象の深度圖生成

雙目影象可用於生成具有深度的三維影象，其是通過模仿動物雙眼的工作機制而來。關於其相關的演算法，現如今研究的人很多，但仍離動物雙眼的視覺效果千里之遙，只能用在非常有限的範圍之內。 近來由於專案所需，要用到雙目影象生成深度圖，因此做了些研究，然並未深入理解其原理，

OpenCv3 VS C++ 影象識別（上）

以下程式碼均在VS配置的OpenCv3上執行成功，不需要其他額外配置。 使用關鍵點對目標進行識別是常用的方法。一般需要經過核心關鍵點檢測、關鍵點過濾、匹配方法、結果顯示等步驟。 具體可以參考opencv的官方文件： https://docs.opencv.org/3.0-beta/doc

C/C++ 影象處理（15）------DXF檔案の讀取、繪圖與顯示

關於DXF檔案的讀取自幾年前做專案的時候就用到了，不過當時是另外一個朋友負責的就沒在意，直至最近的專案又要用到方才自己動手去弄。 因為幾年前專案的程式碼還在，因此看了下發現之前朋友是用dxflib開源庫實現的，因此也用了同樣的庫。 上網一查發現資料相當少，因

C/C++ 影象處理（14）------影象の輪廓填充

所謂影象的輪廓填充，是建立在影象的輪廓已然查詢完成的情況下的，以下面影象為例： 我們首先需要查詢到影象中的圓形和正方形的幾個輪廓，之後才能對這些輪廓進行處理（查詢的過程我們用到OpenCV的findContours函式）。 在得到輪廓之後，難點就轉變為如

C/C++ 影象處理（18）------人臉檢測

人臉識別包括人臉檢測和識別兩個部分 一般的邏輯是先檢測人臉位置，然後再識別。 具體的流程是 準備要識別的人臉資料->檢測人臉->學習人臉特徵並生成模型 檢測人臉->對比檢測出來的人臉和模型的相識度->給出識別結果

C/C++ 影象處理（16）------影象輪廓の最小外接矩形

有時做影象處理，會遇到影象中大部分資訊是冗餘的情況，以下圖為例： 假設圖中黑色部分才是我們需要研究的物件，則外圍的一堆白色是我們希望去掉的，這個時候用最小外接矩形來框住黑色部分，進而擷取該部分的資

C/C++ 影象處理（7）------影象の球面貼合算法

    關於影象的球面貼合，是全景應用中比較常見的技術，而現有的一些資源大多不太好，比較晦澀。在經過一段時間的摸索之後，發現了這個部落格寫的相對可以，本文的實現也將其作為重要的參考，如果看過本文之後有什麼不明白或者覺得不好的地方可以去看看。     在展開本文之前，先來看看

Java伺服器部署基於OpenCV的C++影象處理專案（三）圖片上傳並返回處理圖

Java伺服器部署基於OpenCV的C++影象處理專案（三）圖片上傳並返回處理圖 1.上傳圖片並返回灰度圖功能 由於使用的springboot開發，直接寫一個upload介面供圖片上傳，以下是springboot主函式以及upload介面。 package com.e

Java伺服器部署基於OpenCV的C++影象處理專案（二）編譯篇

Java伺服器部署基於OpenCV的C++影象處理專案（二）編譯篇 部署好環境之後，本篇記錄編譯的詳細步驟。部署環境篇 1.建立檔案 在native.cpp中寫入以下程式碼。 #include <jni.h> #include <string>

Java伺服器部署基於OpenCV的C++影象處理專案（一）

Java伺服器部署基於OpenCV的C++影象處理專案（一） 由於最近專案需要在後臺處理圖片並返回結果給移動端，所以折騰了一週如何將c++程式碼和opencv打包並部署到java伺服器中供後臺呼叫，這裡記錄下詳細過程。 基礎環境 伺服器環境： 阿里雲伺服器 Red Hat 4

c語言數字影象處理（六）：二維離散傅立葉變換

基礎知識 複數表示 C = R + jI 極座標：C = |C|(cosθ + jsinθ) 尤拉公式：C = |C|ejθ 有關更多的時域與複頻域的知識可以學習複變函式與積分變換，本篇文章只給出DFT公式，性質，以及實現方法 二維離散傅立葉變換(DFT) 其中f(x,y)為原影象，F(u,

c語言數字影象處理（九）：邊緣檢測

背景知識 邊緣畫素是影象中灰度突變的畫素，而邊緣是連線邊緣畫素的集合。邊緣檢測是設計用來檢測邊緣畫素的區域性影象處理方法。 孤立點檢測 使用<https://www.cnblogs.com/GoldBeetle/p/9744625.html>中介紹的拉普拉斯運算元 輸出影象為 卷積模

岡薩雷斯：數字影象處理（二）：第二章數字圖形基礎（下）——數學工具

陣列操作與矩陣操作的區別： 也就是說，除非特別說明，否則以後所提到的矩陣之間的操作都是元畫素與對應畫素之間的操作。 線性運算與非線性運算（和純數學裡面的定義相同）： 例如，求和是線性運算，取最大值是非線性運算 灰度影象的集合與邏輯運算： 在灰度影象領域，集合的

c語言數字影象處理（十）：閾值處理

定義 全域性閾值處理 假設某一副灰度圖有如下的直方圖，該影象由暗色背景下的較亮物體組成，從背景中提取這一物體時，將閾值T作為分割點，分割後的影象g(x, y)由下述公式給出，稱為全域性閾值處理   多閾值處理 本文僅完成全域性閾值處理的演算法實現 基本全域性閾值處理方法

C++筆記 第六十五課 C++中的異常處理（下）---狄泰學院

如果在閱讀過程中發現有錯誤，望評論指正，希望大家一起學習，一起進步。 學習C++編譯環境：Linux 第六十五課 C++中的異常處理（下） 1.C++中的異常處理 catch語句塊中可以丟擲異常 2.問題 為什麼要在catch中重新丟擲異常？ 3.C++中的異常

opencv影象處理（二）：濾波器

     濾波器在影象處理中的應用非常廣泛，OpenCV也有個直接使用濾波器掩碼（核）的函式filter2D，將影象與核進行卷積運算得到目標影象。卷積是在每一個影象塊與某個運算元（核）之間進行的運算，而核就是一個固定大小的數值陣列。     &n

opencv影象處理（一）：讀取圖片，裁剪圖片

1.利用opencv讀取圖片： # -*- coding: utf-8 -*- # !/usr/bin/env python # @Time : 2018/11/19 14:59 # @Author : xhh # @Desc : 讀取圖片 # @File : open