【opencv】第8章 图像轮廓与图像分割修复

news/2025/1/14 10:21:54/

8.1 查找并绘制轮廓

一个轮廓一般对应一系列的点，也就是图像中的一条曲线。其表示方法可能 根据不同的情况而有所不同。在OpenCV 中，可以用findContours()函数从二值图 像中查找轮廓

8.1.1 寻找轮廓： findContours() 函数

findContours) 函数用于在二值图像中寻找轮廓。

void findContours(InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, intmethod, Point offset = Point())
  • 第一个参数，InputArray类型的image, 输入图像，即源图像，填Mat 类的 对象即可，且需为8位单通道图像。图像的非零像素被视为1,0像素值被 保留为0,所以图像为二进制。我们可以使用 compare() 、inrange()、
    threshold() 、adaptivethreshold() 、cannyO 等函数由灰度图或彩色图创建二进 制图像。此函数会在提取图像轮廓的同时修改图像的内容。
  • 第二个参数，OutputArrayOfArrays 类 型 的contours、检测到的轮廓、函数 调用后的运算结果存在这里。每个轮廓存储为一个点向量，即用point 类 型 的 vector表示。
  • 第三个参数，OutputArray 类型的hierarchy,可选的输出向量，包含图像的 拓扑信息。其作为轮廓数量的表示，包含了许多元素。每个轮廓contours[i] 对 应 4 个hierarchy 元 素hierarchy[i][0]~hierarchy[i][3], 分别表示后一 个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果没有对应项，
    对应的hierarchy[i] 值设置为负数。
  • 第四个参数，int 类型的mode, 轮廓检索模式，取值如表8.1所示。

表8.1 findContours函数可选的轮廓检索模式

标识符含义
RETR_EXTERNAL表示只检测最外层轮廓。对所有轮廓，设置 hierarchy[i][2]=hierarchy[i][3]=-1
RETR_LIST提取所有轮廓，并且放置在list中。检测的轮廓 不建立等级关系
RETR_CCOMP提取所有轮廓，并且将其组织为双层结构(two-level hierarchy:顶层为连通域的外围边界， 次层为孔的内层边界
RETR_TREE提取所有轮廓，并重新建立网状的轮廓结构
  • 第五个参数，int类 型 的method, 为轮廓的近似办法，取值如表8.2所示。

表8.2 findContours函数可选的轮廓近似办法

标识符含义
CHAIN_APPROX NONE获取每个轮廓的每个像素，相邻的两个点的像素位置差不超过 1,即max(abs(xl-x2),abs(y2-y1))=1
CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向 的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
CHAIN_APPROX_TC89_L1 ,CHAIN_APPROX_TC89_KCOS使用Teh-Chinl链逼近算法中的一个

同样地，在表8.1和8.2中列出的宏之前加上”CV_” 前缀，便是OpenCV2 中可以使用的宏。如"RETR_CCOMP” 宏 的OpenCV2 版 为“CV_RETR_CCOMP"。

  • 第六个参数，Point 类 型 的 offset,每个轮廓点的可选偏移量，有默认值 Point()。对 ROI 图像中找出的轮廓，并要在整个图像中进行分析时，这个 参数便可排上用场。

findContours 经 常 与drawContours 配合使用一使用用findContours (函数检测 到图像的轮廓后，便可以用drawContours (函数将检测到的轮廓绘制出来。接下来， 让我们一起看看drawContours() 函数的用法。

8.1.2 绘 制 轮 廓 ：drawContours ()函 数

drawContours() 函数用于在图像中绘制外部或内部轮廓。

void drawContours(InputoutputArray image, InputArrayofArrays contours, int contourIdx, const Scalar &color, int thickness = 1, int lineType = 8, InputArray hierarchy = noArray(0), int maxLevel = INT_MAX, Point offset = Point())
  • 第 一 个参数，InputArray类 型 的image, 目标图像，填Mat 类的对象即可。
  • 第二个参数，InputArrayOfArrays类型的contours,所有的输入轮廓。每个 轮廓存储为一个点向量，即用point类 型 的vector表示。
  • 第三个参数，int类 型 的contourldx,轮廓绘制的指示变量。如果其为负值， 则绘制所有轮廓。
  • 第四个参数，const Scalar&类型的color, 轮廓的颜色。
  • 第五个参数，int thickness,轮廓线条的粗细度，有默认值1。如果其为负 值(如 thickness=cv_filled), 便会绘制在轮廓的内部。可选为FILLED 宏(OpenCV2版为CV_FILLED)。
  • 第六个参数，int 类型的lineType,线条的类型，有默认值8。取值类型如 表8 . 3所示。

表8.3 可选线性

lineType线性含义
8(默认值)8连通线型
44连通线型
LINE_AA(OpenCV2版为CV_AA)抗锯齿线型
  • 第七个参数，InputArray 类型的hierarchy,可选的层次结构信息，有默认 值noArray()。
  • 第八个参数，int类型的maxLevel,表示用于绘制轮廓的最大等级，有默认 值INT_MAX
  • 第九个参数，Point类型的offset,可选的轮廓偏移参数，用指定的偏移量 offset=(dx,dy) 偏移需要绘制的轮廓，有默认值Point()。

下面是 一 个调用小示例。 //在白色图像上绘制黑色轮廓

Mat result(image.size(),CV_8U,cv::Scalar(255));
drawContours(result,contours,- 1,Scalar(0),3);

8.1.3 基础示例程序：轮廓查找

void Test52() {Mat srcImage = imread("image.jpg", 0); //灰度图读入imshow("src", srcImage);Mat dstImage = Mat::zeros(srcImage.rows, srcImage.cols, CV_8UC3);srcImage = srcImage > 119;imshow("mid", srcImage); //取阈值后的图像//定义轮廓和层次结构std::vector<std::vector<Point>>contours;std::vector<Vec4i>hierachy;//查找轮廓findContours(srcImage, contours, hierachy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);//遍历所有顶层的罗坤，随机颜色绘制出每个连接组件颜色int index = 0;for (; index >= 0; index = hierachy[index][0]) {Scalar color(rand() & 255, rand() & 255, rand() & 255);drawContours(dstImage, contours, index, color, FILLED, 8, hierachy);imshow("dst", dstImage);}waitKey(0);
}

在这里插入图片描述

在这里插入图片描述

8.1.4 综合示例程序：查找并绘制轮廓

除了上述这个精简版的示例程序，还为大家准备了一个更加复杂一些的关 于查找并绘制轮廓的综合示例程序。此程序利用了图像平滑技术(blur() 函数)和边缘检测技术(cannyO 函数),根据滑动条的调节，可以动态地检测出图形的 轮 廓 。

namespace test53 {Mat g_srcImage, g_grayImage;int g_nThresh = 80;int g_nThresh_max = 255;RNG g_rng(12345);Mat g_cannyMat_output;std::vector<std::vector<Point>>g_vContours;std::vector<Vec4i>g_vHierarchy;void on_ThreshChange(int, void*) {Canny(g_grayImage, g_cannyMat_output, g_nThresh, g_nThresh * 2, 3); //Canny算子边缘检测findContours(g_cannyMat_output, g_vContours, g_vHierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));//轮廓提取Mat drawing = Mat::zeros(g_cannyMat_output.size(), CV_8UC3);for (int i = 0; i < g_vContours.size(); ++i) {Scalar color = Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255));//随机值drawContours(drawing, g_vContours, i, color, 2, 8, g_vHierarchy, 0, Point());}imshow("drawing", drawing);}void Test() {g_srcImage = imread("image.jpg");cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);blur(g_grayImage, g_grayImage, Size(3, 3)); //降噪namedWindow("window1");imshow("window1", g_srcImage);createTrackbar("value", "window1", &g_nThresh, g_nThresh_max, on_ThreshChange);on_ThreshChange(0, 0);waitKey(0);}
}void Test53() {test53::Test();
}

在这里插入图片描述
在这里插入图片描述

8.2 寻找物体的凸包

8.2.1 凸 包

凸包(Convex Hull) 是一个计算几何(图形学)中常见的概念。简单来说， 给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边型，它是 能包含点集中所有点的。理解物体形状或轮廓的一种比较有用的方法便是计算一 个物体的凸包，然后计算其凸缺陷(convexity defects)。很多复杂物体的特性能很 好地被这种缺陷表现出来。

如图8.9所示，我们用人手图来举例说明凸缺陷这一概念。手周围深色的线 描画出了凸包，A 到 H 被标出的区域是凸包的各个“缺陷”。正如看到的，这些 凸度缺陷提供了手以及手状态的特征表现的方法。

在这里插入图片描述

新版OpenCV 中 ，convexHull 函数用于寻找图像点集中的凸包，我们一起来 看一下这个函数。

8.2.2 寻找凸包：convexHullO函数

上文已经提到过，convexHullO 函数用于寻找图像点集中的凸包，其原型声明 如 下 。

void convexHull(InputArray points, OutputArray hull, bool clockwise = false, bool returnPoints = true)
  • 第一个参数，InputArray类型的points,输入的二维点集，可以填Mat 类型 或者std::vector。
  • 第二个参数，OutputArray类型的hull,输出参数，函数调用后找到的凸包。
  • 第三个参数，bool 类型的clockwise,操作方向标识符。当此标识符为真时， 输出的凸包为顺时针方向。否则，就为逆时针方向。并且是假定坐标系的 x 轴指向右，y 轴指向上方。
  • 第四个参数，bool 类型的returnPoints,操作标志符，默认值true。当 标 志 符为真时，函数返回各凸包的各个点。否则，它返回凸包各点的指数。当 输出数组是std::vector 时，此标志被忽略。

8.2.3 基础示例程序：凸包检测基础

为了理解凸包检测的运用方法，下面放出一个完整的示例程序。程序中会首 先随机生成3~103个坐标值随机的彩色点，然后利用convexHull, 对由这些点链 接起来的图形求凸包。

void Test54() {Mat image(600, 600, CV_8UC3);RNG& rng = theRNG();while (1) {char key;int count = (unsigned)rng % 100 + 3;std::vector<Point>points;//随机生成坐标for (int i = 0; i < count; ++i) {Point point;point.x = rng.uniform(image.cols / 4, image.cols * 3 / 4);point.y = rng.uniform(image.rows / 4, image.rows * 3 / 4);points.push_back(point);}//检测凸包std::vector<int>hull;convexHull(Mat(points), hull, true);//绘制出随机颜色的点image = Scalar::all(0);for (int i = 0; i < count; ++i) {circle(image, points[i], 3, Scalar(rng.uniform(0, 255), rng.uniform(0, 255), rng.uniform(0, 255)),FILLED,LINE_AA);}int hullcount = hull.size();Point point0 = points[hull.back()];//依次连接凸包的点for (int i = 0; i < hullcount; ++i) {Point point = points[hull[i]];line(image, point0, point, Scalar(255, 255, 255), 2, LINE_AA);point0 = point;}imshow("hull", image);key = waitKey(0);if (key == 27) break;}}

在这里插入图片描述

8.2.4 综合示例程序：寻找和绘制物体的凸包

这一节的综合示例程序，依然是结合滑动条，通过滑动条控制阈值，来得到 不同的凸包检测效果图。程序详细注释的源代码如下。

namespace test55 {Mat g_srcImage, g_grayImage;int g_nThresh = 50;int g_maxThresh = 255;RNG g_rng(12345);Mat srcImage_copy = g_srcImage.clone();Mat g_thresholdImage_output;std::vector<std::vector<Point>>g_vContours;std::vector<Vec4i>g_vHierarchy;void on_ThreshChange(int, void*) {// 二值化threshold(g_grayImage, g_thresholdImage_output, g_nThresh, 255, THRESH_BINARY);findContours(g_thresholdImage_output, g_vContours, g_vHierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0)); //轮廓std::vector<std::vector<Point>>hull(g_vContours.size());for (int i = 0; i < g_vContours.size(); ++i) {convexHull(Mat(g_vContours[i]), hull[i], false);}//绘制出轮廓及凸包Mat drawing = Mat::zeros(g_thresholdImage_output.size(), CV_8UC3);for (int i = 0; i < g_vContours.size(); ++i) {Scalar color = Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255));  drawContours(drawing, g_vContours, i, color, 1, 8, std::vector<Vec4i>(), 0, Point()); //轮廓drawContours(drawing, hull, i, color, 1, 8, std::vector<Vec4i>(), 0, Point()); //凸包}imshow("drawing", drawing);}void Test() {g_srcImage = imread("image.jpg");cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);blur(g_grayImage, g_grayImage, Size(3, 3));//降噪//创建窗口namedWindow("src");imshow("src", g_srcImage);//创建滚动条createTrackbar("value", "src", &g_nThresh, g_maxThresh, on_ThreshChange);on_ThreshChange(0, nullptr);waitKey(0);}
}void Test55() {test55::Test();
}

在这里插入图片描述

在这里插入图片描述

8.3 使用多边形将轮廓包围

在实际应用中，常常会有将检测到的轮廓用多边形表示出来的需求。本节就 为大家讲解如何用多边形来表示出轮廓，或者说如何根据轮廓提取出多边形。先 让我们一起学习用OpenCV 创建包围轮廓的多边形边界时会接触到的一些函数。

8.3.1 返回外部矩形边界：boundingRect(O函数

此函数计算并返回指定点集最外面(up-right)的矩形边界。 C++:Rect boundingRect(InputArray points)
其唯一的一个参数为输入的二维点集，可以是std::vector 或 Mat 类型。

8.3.2 寻找最小包围矩形：minAreaRect(函数

此函数用于对给定的2D 点集，寻找可旋转的最小面积的包围矩形。 C++:RotatedRect minAreaRect(InputArray points)
其唯一的一个参数为输入的二维点集，可以为std::vector> 或 Mat 类型。

8.3.3寻找最小包围圆形：minEnclosingCircle(函数

minEnclosingCircle函数的功能是利用一种迭代算法，对给定的2D 点集，去 寻找面积最小的可包围它们的圆形。

void minEnclosingCircle(InputArray points, Point2f &center, float &radius)
  • 第 一 个 参 数 ，InputArray 类 型 的points,输入的二维点集，可以为std::vector◇ 或Mat 类型。
  • 第二个参数，Point2f&类型的center,圆的输出圆心。
  • 第三个参数，float&类型的radius,圆的输出半径。

8.3.4 用椭圆拟合二维点集：fitEllipse ( 函 数

此函数的作用是用椭圆拟合二维点集。

RotatedRect fitEllipse(InputArray points)

其唯一的一个参数为输入的二维点集，可以为std::vector<>或Mat 类型。

8.3.5 逼近多边形曲线： approxPolyDPO 函 数

approxPolyDP函数的作用是用指定精度逼近多边形曲线。

void approxPolyDP(InputArray curve, OutputArray approxCurve,double epsilon, bool closed)
  • 第一个参数，InputArray类型的curve,输入的二维点集，可以为std::vecto 或Mat 类型。
  • 第二个参数，OutputArray类型的approxCurve,多边形逼近的结果，其类 型应该和输入的二维点集的类型 一 致。
  • 第三个参数，double类型的epsilon,逼近的精度，为原始曲线和即近似曲 线间的最大值。
  • 第四个参数，bool 类型的closed,如果其为真，则近似的曲线为封闭曲线 (第一个顶点和最后一个顶点相连),否则，近似的曲线曲线不封闭。

8.4 图像的矩

矩函数在图像分析中有着广泛的应用，如模式识别、目标分类、目标识别与 方位估计、图像编码与重构等。一个从一幅数字图形中计算出来的矩集，通常描 述了该图像形状的全局特征，并提供了大量的关于该图像不同类型的几何特性信 息，比如大小、位置、方向及形状等。图像矩的这种特性描述能力被广泛地应用 在各种图像处理、计算机视觉和机器人技术领域的目标识别与方位估计中。一阶 矩与形状有关，二阶矩显示曲线围绕直线平均值的扩展程度，三阶矩则是关于平 均值的对称性的测量。由二阶矩和三阶矩可以导出一组共7个不变矩。而不变矩 是图像的统计特性，满足平移、伸缩、旋转均不变的不变性，在图像识别领域得 到了广泛的应用。

那 么 , 在OpenCV 中，如何计算 一个图像的矩呢? 一般由 moments、 contourArea 、arcLength 这三个函数配合求取。

  • 使用moments 计算图像所有的矩(最高到3阶)
  • 使用contourArea来计算轮廓面积
  • 使用arcLength来计算轮廓或曲线长度 下面对其进行一一剖析。

8.4.1 矩的计算：momentsO函数

moments()函数用于计算多边形和光栅形状的最高达三阶的所有矩。矩用来计 算形状的重心、面积，主轴和其他形状特征，如7Hu不变量等。

Moments moments(InputArray array, bool binaryImage = false)
  • 第一个参数，InputArray类型的array,输入参数，可以是光栅图像(单通 道，8位或浮点的二维数组)或二维数组 (IN 或 N1)。
  • 第二个参数，bool类型的binaryImage,有默认值false。若此参数取 true, 则所有非零像素为1。此参数仅对于图像使用。
    需要注意的是，此参数的返回值返回运行后的结果。

8.4.2计算轮廓面积：contourArea(函数

contourArea()函数用于计算整个轮廓或部分轮廓的面积

double       contourArea(InputArray       contour,bool       oriented=false)
  • 第一个参数，InputArray类型的contour,输入的向量，二维点(轮廓顶点), 可以为std::vector 或 Mat 类型。
  • 第二个参数，bool类型的oriented,面向区域标识符。若其为true,该函数 返回一个带符号的面积值，其正负取决于轮廓的方向(顺时针还是逆时针)。 根据这个特性我们可以根据面积的符号来确定轮廓的位置。需要注意的是， 这个参数有默认值false, 表示以绝对值返回，不带符号。

8.4.3 计算轮廓长度：arcLengthO函数

arcLength(函数用于计算封闭轮廓的周长或曲线的长度。

double      arcLength(InputArray      curve,bool      closed)
  • 第一个参数，InputArray类型的curve,输入的二维点集，可以为std:vector或Mat 类型。
  • 第二个参数，bool 类型的closed, 一个用于指示曲线是否封闭的标识符， 有默认值closed, 表示曲线封闭。

8.4.4 综合示例程序：查找和绘制图像轮廓矩

学习完函数的讲解，让我们一起通过一个综合的示例程序，真正了解本节内 容的实战用法 。

namespace test56{Mat g_srcImage, g_grayImage;int g_nThresh = 100;int g_nMaxThresh = 255;RNG g_rng(12345);Mat g_cannyMat_output;std::vector<std::vector<Point>>g_vContours;std::vector<Vec4i>g_vHierarchy;//回调函数void on_ThreshChange(int, void*) {Canny(g_grayImage, g_cannyMat_output, g_nThresh, g_nThresh * 2); //边缘检测findContours(g_cannyMat_output, g_vContours, g_vHierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0)); //找到轮廓//计算矩std::vector<Moments>mu(g_vContours.size());for (int i = 0; i < g_vContours.size(); ++i) {mu[i] = moments(g_vContours[i], false);}//计算中心矩std::vector<Point2f>mc(g_vContours.size());for (int i = 0; i < g_vContours.size(); ++i) {mc[i] = Point2f(static_cast<float>(mu[i].m10 / mu[i].m00), static_cast<float>(mu[i].m01 / mu[i].m00));}//绘制轮廓Mat drawing = Mat::zeros(g_cannyMat_output.size(), CV_8UC3);for (int i = 0; i < g_vContours.size(); ++i) {Scalar color = Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255));drawContours(drawing, g_vContours, i, color, 2, 8, g_vHierarchy, 0, Point()); //绘制内层和外层轮廓circle(drawing, mc[i], 4, color, -1, 8, 0);//绘制圆}imshow("drawing", drawing);//计算轮廓面积std::cout << "\t";for (int i = 0; i < g_vContours.size(); ++i) {std::cout << ">Through m00 Areas[" << i << "]:" << mu[i].m00 << "Length = "<< arcLength(g_vContours[i], true)<< std::endl;std::cout << ">Through OpenCV m_00 Areas[" << i << "]" <<contourArea(g_vContours[i]) <<"Length = " << arcLength(g_vContours[i], true) << std::endl;Scalar color = Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255));drawContours(drawing, g_vContours, i, color, 2, 8, g_vHierarchy, 0, Point());circle(drawing, mc[i], 4, color, -1, 8, 0);}}void Test() {g_srcImage = imread("image.jpg");cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);blur(g_grayImage, g_grayImage, Size(3, 3));namedWindow("srcImage");imshow("srcImage", g_srcImage);createTrackbar("value:", "srcImage", &g_nThresh, g_nMaxThresh,on_ThreshChange);waitKey(0);}}void Test56() {test56::Test();
}

在这里插入图片描述
在这里插入图片描述

8.5 分水岭算法

在许多实际运用中，我们需要分割图像，但无法从背景图像中获得有用信 息。分水岭算法 (watershed algorithm) 在这方面往往是非常有效的。此算法可 以将图像中的边缘转化成“山脉”,将均匀区域转化为“山谷”,这样有助于分 割目标。
分水岭算法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想 是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的 海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形 成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明：在每一个局部 极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深， 每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即 形成分水岭。

分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是由 L.Vincent 提出的。在该算法中，分水岭计算分两个步骤： 一个是排序过程， 一个是淹没过程。首先对每个像素的灰度级进行从低到高的排序，然后在从低 到高实现淹没的过程中，对每一个局部极小值在h 阶高度的影响域采用先进先 出 (FIFO) 结构进行判断及标注。分水岭变换得到的是输入图像的集水盆图像， 集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像的极大值 点。

也就是说，分水岭算法首先计算灰度图像的梯度；这对图像中的“山谷”或 没有纹理的“盆地”(亮度值低的点)的形成是很有效的，也对“山头”或图像中 有主导线段的“山脉”(山脊对应的边缘)的形成有效。然后开始从用户指定点(或 者算法得到点)开始持续“灌注”盆地直到这些区域连成一片。基于这样产生的 标记就可以把区域合并到0一起，合并后的区域又通聚集的方式进行分割，好像 图像被“填充”起来一样。

8.5.1 实现分水岭算法：watershedO 函 数

函 数watershed 实现的分水岭算法是基于标记的分割算法中的 一种。在把图像 传给函数之前，我们需要大致勾画标记出图像中的期望进行分割的区域，它们被 标记为正指数。所以，每 一 个区域都会被标记为像素值1、2、3等，表示成为 一 个或者多个连接组件。这些标记的值可以使用findContours() 函 数 和drawContours()

函数由二进制的掩码检索出来。不难理解，这些标记就是即将绘制出来的分割区 域的“种子”,而没有标记清楚的区域，被置为0。在函数输出中，每 一 个标记中 的像素被设置为“种子”的值，而区域间的值被设置为- 1。

void watershed(InputArray image, InputOutputArray markers)
  • 第 一 个 参 数 ，InputArray 类 型 的src, 输入图像，即源图像，填Mat 类 的 对 象
    即可，且需为8位三通道的彩色图像。
  • 第 二 个 参 数 ，InputOutputArray 类 型 的markers, 函数调用后的运算结果存在 这里，输入/输出32位单通道图像的标记结果。即这个参数用于存放函数调用后 的输出结果，需和源图片有 一 样的尺寸和类型。

8.5.2 综合示例程序：分水岭算法

namespace test57 {Mat g_maskImage, g_srcImage;Point prevPt(-1, -1);static void on_Mouse(int event, int x, int y, int flags, void*) {if (x < 0 || x >= g_srcImage.cols || y < 0 || y >= g_srcImage.rows) {return;}if (event == EVENT_LBUTTONUP || !(flags & EVENT_FLAG_LBUTTON)) {prevPt = Point(-1, -1);}else if (event == EVENT_LBUTTONDOWN) {prevPt = Point(x, y);}else if (event == EVENT_MOUSEMOVE && (flags & EVENT_FLAG_LBUTTON)) {Point pt(x, y);if (prevPt.x < 0) {prevPt = pt;}line(g_maskImage, prevPt, pt, Scalar::all(255), 5, 8, 0);line(g_srcImage, prevPt, pt, Scalar::all(255), 5, 8, 0);prevPt = pt;imshow("srcImage", g_srcImage);}}void Test() {g_srcImage = imread("mountain.jpg");imshow("srcImage", g_srcImage);Mat srcImage, grayImage;g_srcImage.copyTo(srcImage);cvtColor(g_srcImage, g_maskImage, COLOR_BGR2GRAY);cvtColor(g_maskImage, grayImage, COLOR_GRAY2BGR);g_maskImage = Scalar::all(0);setMouseCallback("srcImage", on_Mouse, 0);while (1) {int c = waitKey(1);  // 改为 1 来更流畅地显示if (c == 27) {break;}//恢复原图if ((char)c == '2') {g_maskImage = Scalar::all(0);srcImage.copyTo(g_srcImage);imshow("srcImage", g_srcImage);}else if ((char)c == '1') {int i, j, compCount = 0;std::vector<std::vector<Point>>contours;std::vector<Vec4i>hierarchy;//寻找轮廓findContours(g_maskImage, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);if (contours.empty()) {continue;}Mat maskImage(g_maskImage.size(), CV_32S); //复制掩膜maskImage = Scalar::all(0);for (int index = 0; index >= 0; index = hierarchy[index][0]) {compCount++;drawContours(maskImage, contours, index, Scalar::all(compCount), -1, 8, hierarchy, INT_MAX);}if (compCount == 0) continue;//生成随机颜色std::vector<Vec3b>colorTab;for (int i = 0; i < compCount; ++i) {uchar b = theRNG().uniform(0, 255);uchar g = theRNG().uniform(0, 255);uchar r = theRNG().uniform(0, 255);colorTab.push_back(Vec3b(b, g, r));}watershed(srcImage, maskImage); //分水岭算法//将分水岭图像遍历存入watershedImage中Mat watershedImage(maskImage.size(), CV_8UC3);for (int i = 0; i < maskImage.rows; ++i) {for (int j = 0; j < maskImage.cols; ++j) {int index = maskImage.at<int>(i, j);if (index == -1) {watershedImage.at<Vec3b>(i, j) = Vec3b(0, 0, 0); }else if (index <= 0 || index > compCount) {watershedImage.at<Vec3b>(i, j) = Vec3b(0, 0, 0);}else {watershedImage.at<Vec3b>(i, j) = colorTab[index - 1];}}}//混合灰度图和分水岭效果图watershedImage = watershedImage * 0.5 + grayImage * 0.5;imshow("watershed transform", watershedImage);}}}
}void Test57() {test57::Test();
}

在这里插入图片描述

在这里插入图片描述

8.6 图像修补

在实际应用中，我们的图像常常会被噪声腐蚀，这些噪声或者是镜头上的灰 尘或水滴，或者是旧照片的划痕，或者由于图像的部分本身已经损坏。而“图像 修复”(Inpainting), 就是妙手回春，解决这些问题的良方。图像修复技术简单来说，就是利用那些已经被破坏区域的边缘，即边缘的颜色和结构，繁殖和混合到 损坏的图像中，以达到图像修补的目的。图8.34～8.36就是示例程序截图，演示 将图像中的字迹移除的效果。

8.6.1 实现图像修补：inpaint ( 函 数

在新版OpenCV 中，图像修补技术由inpaint 函数实现，它可以用来从扫描的 照片中清除灰尘和划痕，或者从静态图像或视频中去除不需要的物体。其原型声 明如下。

C++:void inpaint(InputArray src,InputArray inpaintMask,OutputArray
dst,double inpaintRadius,int flags)

  • 第 一 个参数，InputArray类 型 的src, 输入图像，即源图像，填Mat 类的对 象即可，且需为8位单通道或者三通道图像。
  • 第二个参数，InputArray类型的inpaintMask, 修复掩膜，为8位的单通道 图像。其中的非零像素表示需要修补的区域。
  • 第三个参数，OutputArray 类 型 的dst, 函数调用后的运算结果存在这里， 和源图片有一样的尺寸和类型。
  • 第四个参数，double 类型的 inpaintRadius,需要修补的每个点的圆形邻域， 为修复算法的参考半径。
  • 第五个参数，int 类型的flags,修补方法的标识符，可以是表8.4所示两者 之一。
标识符说明
INPAINT_NS基于Navier-Stokes方程的方法
INPAINT_TELEAAlexandru Telea方法

OpenCV2 中INPAINT_NS 和INPAINT_TELEA 标识符可以分别写作CV_ INPAINT_NS 和 CV_INPAINT_TELEA

8.6.2 综合示例程序：图像修补

函数和概念讲解完毕，下面我们依然是学习 一 个以本节所讲内容为核心的示 例程序，将本节所学内容付诸实践，融会贯通。此示例程序会先让我们在图像中 用鼠标绘制出白色的线条破坏图像，然后按下键盘按键【1】或【SPACE】 进 行 图 像修补操作。且如果对自己的绘制不够满意，可以按下键盘按键【2】恢复原始图 像。


namespace test58 {Mat g_srcImage, inpaintMask,srcImage;Point previousPoint(-1, -1);static void On_Mouse(int event,int x,int y,int flags,void*) {if (x < 0 || x >= g_srcImage.cols || y < 0 || y >= g_srcImage.rows) {return;}if (event == EVENT_LBUTTONUP || !(flags & EVENT_FLAG_LBUTTON)) {previousPoint = Point(-1, -1);}else if (event == EVENT_LBUTTONDOWN) {previousPoint = Point(x, y);}else if (event == EVENT_MOUSEMOVE && (flags & EVENT_FLAG_LBUTTON)) {Point pt(x, y);if (previousPoint.x < 0) {previousPoint = pt;}line(inpaintMask, previousPoint, pt, Scalar::all(255), 5, 8, 0);line(g_srcImage, previousPoint, pt, Scalar::all(255), 5, 8, 0);previousPoint = pt;imshow("srcImage", g_srcImage);}}void Test() {g_srcImage = imread("sky.jpg");srcImage = g_srcImage.clone();inpaintMask = Mat::zeros(srcImage.size(), CV_8U);imshow("srcImage", g_srcImage);setMouseCallback("srcImage", On_Mouse, nullptr);while (1) {char c = waitKey(1);if (c == 27) break;if (c == '2') {inpaintMask = Scalar::all(0);srcImage.copyTo(g_srcImage);imshow("srcImage", g_srcImage);}if (c == '1') {Mat inpaintedImage;inpaint(g_srcImage, inpaintMask, inpaintedImage, 3, INPAINT_TELEA); imshow("fixed", inpaintedImage);}}}}void Test58() {test58::Test();
}

在这里插入图片描述

在这里插入图片描述

8.7 本章小结

本章中，我们先学习了查找轮并绘制轮廓，然后学习了如何寻找到物体的凸 包，接着是使用多边形来包围轮廓，以及计算一个图像的矩。在本章后面几节， 还学习了分水岭算法和图像修补操作的实现方法。

函数名称说明对应讲解章节
BoundingRect计算并返回指定点集最外面(up-right)的矩形边 界8.3.1
minAreaRect寻找可旋转的最小面积的包围矩形8.3.2
minEnclosingCircle利用一种迭代算法，对给定的2D点集，寻找面 积最小的可包围他们的圆形8.3.3
fitEllipse用椭圆拟合二维点集8.3.4
approxPolyDP用指定精度逼近多边形曲线8.3.5
moments计算多边形和光栅形状的最高达三阶的所有矩8.4.1
contourArea计算整个轮廓或部分轮廓的面积8.4.2
arcLength计算封闭轮廓的周长或曲线的长度8.4.3
watershed实现分水岭算法8.5.1
inpaint进行图像修补，从扫描的照片中清除灰尘和划痕， 或者从静态图像或视频中去除不需要的物体8.6.1

本章示例程序清单

示例程序序号程序说明对应章节
69轮廓查找8.1.3
70查找并绘制轮廓8.1.4
71凸包检测基础8.2.3
72寻找和绘制物体的凸包8.2.4
73创建包围轮廓的矩形边界8.3.6
74创建包围轮廓的圆形边界8.3.7
75使用多边形包围轮廓8.3.8
76图像轮廓矩8.4.4
77分水岭算法的使用8.5.2
78实现图像修补8.6.2

http://www.ppmy.cn/news/1563006.html

相关文章

virtual box虚拟机误删Python3.6后导致UBUNTU18.04开机无UI界面（进不了desktop）的解决方法

virtual box虚拟机误删Python3.6后导致UBUNTU18.04开机无UI界面（进不了desktop）的解决方法

最近在解决一个python引起的问题的时候&#xff0c;作者心一狠&#xff0c;删了系统自带的python3.6&#xff0c; 顺便还删了python3。导致重启后ubuntu的virtual box虚拟机无法看到UI登录界面&#xff0c;只给我了孤零零的命令行。装了很多东西不可能重装&#xff0c;无奈只能…
阅读更多...
【Apache Paimon】-- 14 -- Spark 集成 Paimon 之 Filesystem Catalog 与 Hive Catalog 实践

【Apache Paimon】-- 14 -- Spark 集成 Paimon 之 Filesystem Catalog 与 Hive Catalog 实践

目录 1. 背景介绍 2. 环境准备 2.1、技术栈说明 2.2、环境依赖 2.3、硬件与软件环境 2.4、主要工具清单 2.5、Maven 项目结构 2.6、maven pom.xml 依赖 3. Spark 与 Paimon Filesystem Catalog 集成 3.1、HDFS FileSystem catalog 3.1.1、代码内容 3.1.2、运行输出…
阅读更多...
C# 多线程基础 锁 死锁 Monitor lock

C# 多线程基础 锁 死锁 Monitor lock

设置俩个 共享对象 lock1 lock2 模拟竞争情况 在主线程和子线程 分别使用 monitor 以及 lock 对这俩个对象 分别上锁以及使用 通过 net 8控制台代码实例 看下效果 讲解在代码后 class Program {static void Main(string[] args){object lock1 new object();object lock2 new…
阅读更多...
C语言二级考试

C语言二级考试

你必须知道的 二级考试不是编写程序&#xff0c;或者说不只是编程的考核&#xff0c;它还会考核计算机C语言相关语言还有内涵等基础知识&#xff0c;比较全面综合&#xff08;说人话&#xff0c;要看最新考纲具备一定的基础知识&#xff09; 考试时间 120 分钟 分值 100 分&…
阅读更多...
LED灯按键调光芯片、PWM调光IC、发光灯控制调光芯片

LED灯按键调光芯片、PWM调光IC、发光灯控制调光芯片

按键调光芯片&#xff0c;特别是LED灯使用PWM调光的芯片IC&#xff0c;是一种用于控制LED灯具亮度的集成电路&#xff0c;常用于台灯、壁灯、吊灯等照明设备中。这种芯片通过脉冲宽度调制&#xff08;PWM&#xff09;技术来调节LED的亮度&#xff0c;可以实现从最亮到最暗的平滑…
阅读更多...
aws(学习笔记第二十三课) step functions进行开发（lambda函数调用）

aws(学习笔记第二十三课) step functions进行开发（lambda函数调用）

aws(学习笔记第二十三课) 开发step functions状态机的应用程序 学习内容&#xff1a; step functions状态机的概念开发简单的step functions状态机 1. step functions状态机概念 官方说明文档和实例程序 AWS的官方给出了学习的链接和实例程序。使用SAM创建step functions 借…
阅读更多...
贪心算法汇总

贪心算法汇总

1.贪心算法 贪心的本质是选择每一阶段的局部最优&#xff0c;从而达到全局最优。 如何能看出局部最优是否能推出整体最优 靠自己手动模拟&#xff0c;如果模拟可行&#xff0c;就可以试一试贪心策略&#xff0c;如果不可行&#xff0c;可能需要动态规划。 如何验证可不可以…
阅读更多...
scala基础学习(数据类型)-集合

scala基础学习(数据类型)-集合

文章目录 集合创建集合isEmpty获取数据添加元素删除元素常见方法交集 &差集 diff --并集 unionto stringto listto Arrayto Map其余常用方法 集合 Scala Set(集合)是没有重复的对象集合&#xff0c;所有的元素都是唯一的。 Scala 集合分为可变的和不可变的集合。 默认情…
阅读更多...
最新文章

Copyright @ 2022~2023