Opencv——findContours函数再探（由轮廓联想连通域)

目录

    • 关于调参的一些思考
    • 分析图像的一些角度
    • 面积、周长、矩形度、圆形度、宽长比
    • 例1：找出汽车轮毂圆孔（从轮廓和连通域两个角度）
    • 例2：找出芯片中间正方形物体
    • 例3：桌面上橘色物体
    • 总结

关于调参的一些思考

合理的参数设置，应该是基于对需要解决的问题的一些已知条件。如需要提取的线段的长度范围，需要定位的工件的尺寸、大小(面积)、形状，周长，矩形度，圆形度等。

分析图像的一些角度

1.从算法上
图像降噪，直方图增强，二值化，频率分析，图像形态学，几何信息 提取，特征提取，等各种数学方法。 尽可能多的输出结果。
2.从策略上
筛选出实际需要的结果。
把握需要的信息和干扰信息的本质差距。

面积、周长、矩形度、圆形度、宽长比

圆形度
最小外接矩形
宽敞比
这里不做具体分析，以后专门写一篇笔记。

例1：找出汽车轮毂圆孔（从轮廓和连通域两个角度）

原图：
原图
分析：
1、获取二值图像（选用二值化阈值或者canny算子扫描）
2、通过findContours函数寻找连通域，轮廓则是对应连通域的轮廓
3、通过minAreaRect函数获取轮廓最小矩形框（可旋转），利改矩形框的特征来锁定目标（这里我们限制，矩形框的长宽比值在1附近，并且矩形框的宽度大于10）
4、对锁定的轮廓，通过drawContours函数绘制轮廓（注意参数，倒数第二个填-1则为填该改轮廓，类似漫水填充，不过漫水填充不能获取轮廓特征）
另一种思路：
1、获取二值图像（这里为了使圆圈内部为白，使用反阈值）
2、利用connectedComponentsWithStats函数获取连通域矩阵
3、通过状态矩阵statsMat，来获取连通域最小外接四边形 （bounding box）的 x, y, width,height和面 积（像素数量）
4、通过四边形的条件来限制

思路1代码：

int main()
{cv::Mat srcMat = imread("D:\\opencv_picture_test\\rim.png", 1);Mat dstMat, binMat;cvtColor(srcMat, dstMat, COLOR_BGR2GRAY);threshold(dstMat, binMat, 0, 255, THRESH_OTSU);imshow("bin", binMat);//通过findContours函数寻找连通域vector<vector<Point>> contours;vector<Vec4i> hierarchy;findContours(binMat, contours, RETR_LIST,CHAIN_APPROX_NONE);//绘制轮廓,内填充for (int i = 0; i < contours.size(); i++) {RotatedRect rbox = minAreaRect(contours[i]);if (fabs(rbox.size.width * 1.0 / rbox.size.height - 1) < 0.1 && rbox.size.width > 10)drawContours(srcMat, contours, i, Scalar(0, 255, 255), -1, 8);}imshow("rim", srcMat);waitKey(0);
}

二值图：
二值图
框定图：
框定图
思路2代码：

int main()
{Mat lableMat;Mat statsMat;Mat centerMat;Mat srcMat = imread("D:\\opencv_picture_test\\轮廓\\rim.png", 1);		//读取灰度Mat dstMat;cvtColor(srcMat, srcMat, COLOR_BGR2GRAY);//调用阈值函数threshold(srcMat, dstMat, 120, 255,THRESH_BINARY_INV);//腐蚀操作//Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9,9));		//morphologyEx(dstMat,dstMat, MORPH_ERODE, element);		int nComp = cv::connectedComponentsWithStats(dstMat,lableMat,statsMat,centerMat,8,CV_32S);for (int i = 1; i < nComp; i++){cout << "pixels = " << statsMat.at<int>(i, 4) << endl;cout << "width = " << statsMat.at<int>(i, 2) << endl;cout << "height = " << statsMat.at<int>(i, 3) << endl;cout << endl;}for (int i = 1; i < nComp; i++){Rect bndbox;bndbox.x = statsMat.at<int>(i, 0);bndbox.y = statsMat.at<int>(i, 1);bndbox.width = statsMat.at<int>(i, 2);bndbox.height = statsMat.at<int>(i, 3);if (fabs(bndbox.width * 1.0 / bndbox.height - 1) < 0.1 && bndbox.width > 30)rectangle(srcMat, bndbox, CV_RGB(255, 255, 255), 1, 8, 0);}imshow("src", srcMat);//imshow("dst", dstMat);waitKey(0);
}

效果图：
结果

例2：找出芯片中间正方形物体

原图：
原图
分析：
1、获取二值图像（选用二值化阈值或者canny算子扫描）
2、通过findContours函数寻找连通域，轮廓则是对应连通域的轮廓
3、通过minAreaRect函数获取轮廓最小矩形框（可旋转），利改矩形框的特征来锁定目标（这里我们限制，矩形框的长宽比值在1附近，并且矩形框的宽度大于10）
4、对锁定的轮廓，通过drawContours函数绘制轮廓
5、通过轮廓外最小矩形的四个顶点坐标，来绘制边框
另一种思路：
1、获取二值图像（这里为了使圆圈内部为白，使用反阈值）
2、利用connectedComponentsWithStats函数获取连通域矩阵
3、通过状态矩阵statsMat，来获取连通域最小外接四边形 （bounding box）的 x, y, width,height和面 积（像素数量）
4、通过四边形的条件来限制
最小矩形
思路1代码：

*--------------------------【练习2】矩形框-------------------------------------*/
int main()
{cv::Mat srcMat = imread("D:\\opencv_picture_test\\轮廓\\die_on_chip.png", 1);Mat dstMat, binMat;cvtColor(srcMat, dstMat, COLOR_BGR2GRAY);threshold(dstMat, binMat, 0, 255, THRESH_OTSU);imshow("bin", binMat);//通过findContours函数寻找连通域vector<vector<Point>> contours;vector<Vec4i> hierarchy;findContours(binMat, contours, RETR_LIST, CHAIN_APPROX_NONE);//绘制轮廓for (int i = 0; i < contours.size(); i++) {RotatedRect rbox = minAreaRect(contours[i]);if (fabs(rbox.size.width * 1.0 / rbox.size.height - 1) < 0.1 && rbox.size.width > 10){drawContours(srcMat, contours, i, Scalar(0, 255, 255), 1, 8);Point2f vtx[4];rbox.points(vtx);for (int j = 0; j < 4; ++j) {cv::line(srcMat, vtx[j], vtx[j < 3 ? j + 1 : 0], Scalar(0, 0, 255), 3, LINE_AA);}}}imshow("die_on_chip", srcMat);waitKey(0);
}

结果
思路2代码：

*--------------------------【练习1连通域解法】-------------------------------------*/int main()
{Mat lableMat;Mat statsMat;Mat centerMat;Mat srcMat = imread("D:\\opencv_picture_test\\轮廓\\die_on_chip.png", 1);		//读取灰度Mat dstMat;cvtColor(srcMat, srcMat, COLOR_BGR2GRAY);//调用阈值函数threshold(srcMat, dstMat, 120, 255,THRESH_BINARY);//腐蚀操作//Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9,9));		//morphologyEx(dstMat,dstMat, MORPH_ERODE, element);		int nComp = cv::connectedComponentsWithStats(dstMat,lableMat,statsMat,centerMat,8,CV_32S);for (int i = 1; i < nComp; i++){cout << "pixels = " << statsMat.at<int>(i, 4) << endl;cout << "width = " << statsMat.at<int>(i, 2) << endl;cout << "height = " << statsMat.at<int>(i, 3) << endl;cout << endl;}for (int i = 1; i < nComp; i++){Rect bndbox;bndbox.x = statsMat.at<int>(i, 0);bndbox.y = statsMat.at<int>(i, 1);bndbox.width = statsMat.at<int>(i, 2);bndbox.height = statsMat.at<int>(i, 3);if (fabs(bndbox.width * 1.0 / bndbox.height - 1) < 0.2 && statsMat.at<int>(i, 4)>=1200)rectangle(srcMat, bndbox, CV_RGB(0, 255, 255), 1, 8, 0);}imshow("src", srcMat);//imshow("dst", dstMat);waitKey(0);
}

效果图：
思路2

例3：桌面上橘色物体

分析：
1、RGB转HSV图
2、将HSV通道分离，获取三个通道值
3、对S通道进行二值化处理
4、接下来按照上面两题的思路，找轮廓，框定。、
代码：

//*--------------------------【练习3】矩形框-------------------------------------*/
int main()
{cv::Mat srcMat = imread("D:\\opencv_picture_test\\轮廓\\topic1.jpg", 1);Mat dstMat, binMat;cvtColor(srcMat, dstMat, COLOR_BGR2HSV);vector<Mat> channels;split(dstMat, channels);//namedWindow("H", WINDOW_NORMAL);//WINDOW_NORMAL允许用户自由伸缩窗口//imshow("H", channels.at(0));namedWindow("S", WINDOW_NORMAL);//WINDOW_NORMAL允许用户自由伸缩窗口imshow("S", channels.at(1));//namedWindow("V", WINDOW_NORMAL);//WINDOW_NORMAL允许用户自由伸缩窗口//imshow("V", channels.at(2));//将S通道的图像复制，然后处理Mat S_Mat;channels.at(1).copyTo(S_Mat);//namedWindow("S", WINDOW_NORMAL);//WINDOW_NORMAL允许用户自由伸缩窗口//imshow("S", S_Mat);threshold(S_Mat, binMat, 120, 255, THRESH_BINARY);namedWindow("bin", WINDOW_NORMAL);//WINDOW_NORMAL允许用户自由伸缩窗口imshow("bin", binMat);//通过findContours函数寻找连通域vector<vector<Point>> contours;vector<Vec4i> hierarchy;findContours(binMat, contours, RETR_LIST, CHAIN_APPROX_NONE);//绘制轮廓for (int i = 0; i < contours.size(); i++) {RotatedRect rbox = minAreaRect(contours[i]);if (fabs(rbox.size.width * 1.0 / rbox.size.height - 1) < 0.3 && rbox.size.width > 10){drawContours(srcMat, contours, i, Scalar(0, 255, 255), 1, 8);Point2f vtx[4];rbox.points(vtx);for (int j = 0; j < 4; ++j) {cv::line(srcMat, vtx[j], vtx[j < 3 ? j + 1 : 0], Scalar(255, 255, 255), 2, LINE_AA);}}}namedWindow("topic1", WINDOW_NORMAL);//WINDOW_NORMAL允许用户自由伸缩窗口imshow("topic1", srcMat);waitKey(0);return 0;}

S通道图：
S
用S通道进行二值化：
二值图
框定图：
框定图

总结

从目前来看，框定目标物体我们从轮廓和连通域都可以。
其中，利用minAreaRect函数可以获取轮廓最小矩形框的参数值，也包括了轮廓的部分信息。
利用connectedComponentsWithStats获取连通域，可从中获取的连通域信息。
利用这些信息，结合矩形度、圆形度、宽长比等数学特征则可以剔除一些不符合特征的备选项。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/378605.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

modelsim 编译 xilinx库

modelsim 编译 xilinx库

1.为单个工程加入库 在某一个目录建立工程 然后 vlib unisim vcom -work unsim *.vhd 然后就加入了unisim库 如果是windows的话&#xff0c;工程文件mpf应该是记录了这个库的信息&#xff0c;所以重新打开这个工程时&#xff0c;依然有这个库 linux&#xff0c;不用gui界面…
阅读更多...
php 载入css就可以显示,如何在进度条加载后显示页面

php 载入css就可以显示,如何在进度条加载后显示页面

1.思路&#xff1a;加入很多图片&#xff0c;以延迟加载时间&#xff0c;实现加载完后显示图片。定义一个外层p&#xff0c;覆盖住图片&#xff0c;在内层p中引入加载时显示的图片&#xff0c;让内层p居中在页面上&#xff0c;利用setInterval定时器设置3秒后将外层p隐藏&#…
阅读更多...
如何获取轮廓(连通域)的面积、周长、矩形度、圆形度、宽长比、周径比等形状描述符？

如何获取轮廓(连通域)的面积、周长、矩形度、圆形度、宽长比、周径比等形状描述符？

博主联系方式&#xff1a; QQ:1540984562 QQ交流群&#xff1a;892023501 群里会有往届的smarters和电赛选手&#xff0c;群里也会不时分享一些有用的资料&#xff0c;有问题可以在群里多问问。 目录前言1、轮廓面积获取函数2、轮廓周长获取函数3、轮廓圆形度计算4、矩形度计算…
阅读更多...
01-基础部分

01-基础部分

一、tensorflow和opencv测试 import tensorflow as tf import cv2hello tf.constant(hello tensorflow) session tf.Session() print(session.run(hello))print(hello opencv)运行效果如下&#xff1a; 二、基础部分 1、opencv基础 代码三部曲&#xff1a; 1、引入Open…
阅读更多...
网络和通信 - Silverlight 中的 HTTP 通信和安全

网络和通信 - Silverlight 中的 HTTP 通信和安全

Silverlight 支持几种使用 HTTP/HTTPS 的方案。虽然可以使用多种方式和技术执行 HTTP 调用&#xff0c;但是下表描述的是针对这些 HTTP 通信方案的建议方法 执行 HTTP 调用的选项 确定应由浏览器还是客户端来执行应用程序的 HTTP 处理后&#xff0c;应在创建任何 Web 请求之前指…
阅读更多...
WT2605C高品质音频蓝牙语音芯片：外接功放实现双声道DAC输出的优势

WT2605C高品质音频蓝牙语音芯片：外接功放实现双声道DAC输出的优势

在音频处理领域&#xff0c;双声道DAC输出能够提供更为清晰、逼真的音效&#xff0c;增强用户的听觉体验。针对这一需求&#xff0c;唯创知音的WT2605C高品质音频蓝牙语音芯片&#xff0c;通过外接功放实现双声道DAC输出&#xff0c;展现出独特的应用优势。 一、高品质音频处理…
阅读更多...
角点检测（Harris角点检测法）

角点检测（Harris角点检测法）

博主联系方式&#xff1a; QQ:1540984562 QQ交流群&#xff1a;892023501 群里会有往届的smarters和电赛选手&#xff0c;群里也会不时分享一些有用的资料&#xff0c;有问题可以在群里多问问。 目录原理讲解【1】为何选取角点作为特征&#xff1f;【2】角点的定义&#xff1a;…
阅读更多...
02-图像的几何变换

02-图像的几何变换

一、图片缩放 imageInfo&#xff1a;图片宽、高、通道个数等 缩放&#xff1a; 等比例缩放&#xff1a;宽高比不变 任意比例缩放&#xff1a;图片拉伸、非拉伸 窗体大小 实现步骤&#xff1a; 1&#xff0c;完成图像的加载&#xff0c;拿到图像的数据信息 2&#xff0c;图片的宽…
阅读更多...
微机原理——8086中断类型以及中断向量表、中断响应、中断返回

微机原理——8086中断类型以及中断向量表、中断响应、中断返回

博主联系方式&#xff1a; QQ:1540984562 QQ交流群&#xff1a;892023501 群里会有往届的smarters和电赛选手&#xff0c;群里也会不时分享一些有用的资料&#xff0c;有问题可以在群里多问问。 目录先验知识回顾控制寄存器回顾1、8086中断类型1、外部可屏蔽中断2、外部不可屏蔽…
阅读更多...
资料整理-工具篇

资料整理-工具篇

* 代码利器 Resharper 作为一个C#er&#xff0c;非常感谢有Resharper这样的代码利器。在VS系列的IDE中&#xff0c;使用Resharper后&#xff0c;你会发现&#xff0c;原来写代码也可以是一种享受&#xff01; 1. 首先&#xff0c;下载Resharper。下载地址&#xff1a;http://ww…
阅读更多...
企业级php第三方支付平台,ThinkPHP新版企业级php第三方api第四方支付平台程序源码商业版 带接口文件等 某宝售价3000元...

企业级php第三方支付平台,ThinkPHP新版企业级php第三方api第四方支付平台程序源码商业版 带接口文件等 某宝售价3000元...

本帖最后由 商业源码网 于 2017-12-21 11:23 编辑7 h$ . , C u0 R3 R y$ z! ] q( D D$ s( Y源码说明&#xff1a;) G: y; R# G0 0 g N. ; \0 w, A9 {5 # P今天黑锐给大家分享给好东西&#xff01;很不错的支付系统&#xff01;喜欢研究支付接口的朋友别错过&#xff01;ThinkP…
阅读更多...
OpenCV实战【2】HOG+SVM实现行人检测

OpenCV实战【2】HOG+SVM实现行人检测

目录HOG是什么&#xff1f;HOG vs SIFTHOG步骤HOG在检测行人中的方式Opencv实现HOGDescriptor的构造函数&#xff1a;行人检测HOGSVM步骤简化版的HOG计算HOG是什么&#xff1f; 方向梯度直方图( Histogram of Oriented Gradient, HOG )特征是一种在计算机视觉和图像处理中用来进…
阅读更多...
03-图像特效

03-图像特效

一、灰度处理 方法一&#xff1a;imread方法 彩色图的颜色通道为3&#xff0c;即RGB&#xff1b;而灰度图只有一个颜色通道。 import cv2 img0 cv2.imread(E:\Jupyter_workspace\study\data/cat.png,0) img1 cv2.imread(E:\Jupyter_workspace\study\data/cat.png,1) print…
阅读更多...
解析linux根文件系统的挂载过程

解析linux根文件系统的挂载过程

------------------------------------------ 本文系本站原创,欢迎转载!转载请注明出处:http://ericxiao.cublog.cn/------------------------------------------ 一&#xff1a;前言前段时间在编译kernel的时候发现rootfs挂载不上。相同的root选项设置旧版的image却可以。为了…
阅读更多...
SIFT讲解（SIFT的特征点选取以及描述是重点）

SIFT讲解（SIFT的特征点选取以及描述是重点）

目录SIFT是什么&#xff1f;尺度空间理论SIFT特征点提取SIFT特征点描述SIFT是什么&#xff1f; SIFT ,即尺度不变特征变换( Scale-invariant feature transform&#xff0c;SIFT) ,一种特征描述方法。具有 尺度鲁棒性 旋转鲁棒性 光照鲁棒性 SIFT本身包括了特征点筛选及特征点…
阅读更多...
操作系统多线程实现_操作系统中的线程实现

操作系统多线程实现_操作系统中的线程实现

操作系统多线程实现Each process has an address space. There is one thread of control in every traditional OS. Sometimes, it is viable to have multiple threads of control in the similar address space which is running in quasi-parallel. Though they were separ…
阅读更多...
04-图像的形状绘制

04-图像的形状绘制

一、线段绘制 cv2.line(dst,(100,100),(400,400),(0,0,255),2,cv2.LINE_AA) 参数一&#xff1a;目标图片数据 参数二&#xff1a;当前线段绘制的起始位置&#xff08;也就是两点确定一条直线&#xff09; 参数三&#xff1a;当前线段绘制的终止位置&#xff08;也就是两点确定…
阅读更多...
(1-e^(-j5w))/(1-e^(-jw))=e^(-j2w)*sin(5w/2)/sin(w/2)的证明过程

(1-e^(-j5w))/(1-e^(-jw))=e^(-j2w)*sin(5w/2)/sin(w/2)的证明过程

问题出现&#xff1a;《数字信号处理第三版》第90页刘顺兰版 最后一步怎么得到的&#xff1f; 思路&#xff1a;观察答案&#xff0c;有一个自然对数项。关键就是如何提取出这一项。 我的证明过程如下&#xff1a; 参考链接&#xff1a; 【和差化积】
阅读更多...
05-图像的美化

05-图像的美化

一、彩色图片直方图 cv2.calcHist([image],[0],None,[256],[0.0,255.0]) 该方法的所有参数都必须用中括号括起来&#xff01;&#xff01;&#xff01; 参数一&#xff1a;传入的图片数据 参数二&#xff1a;用于计算直方图的通道&#xff0c;这里使用的是灰度直方图&#xff…
阅读更多...
Eclipse for android 中设置java和xml代码提示功能（转）

Eclipse for android 中设置java和xml代码提示功能（转）

1、设置 java 文件的代码提示功能 打开 Eclipse 依次选择 Window > Preferences > Java > Editor - Content Assist > Auto activation triggers for Java &#xff0c;设置框中默认是一个点&#xff0c; 现在将它改为&#xff1a; 以下为引用内容&#xff1a; .a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023