OpenCV2马拉松第20圈——blob特征检测原理与实现-CSDN博客

本文链接：https://blog.csdn.net/abcd1992719g/article/details/27071273

本文详细介绍了blob特征的概念，利用OpenCV API进行blob特征检测的步骤，包括二值化、连通域提取和中心计算。通过调整参数如minThreshold、maxThreshold和thresholdStep，可以实现对不同大小和形状的blob过滤。此外，还讨论了基于颜色、面积、圆度、惯性比和凸度等不同条件的blob筛选标准，提供了一种默认提取黑色圆形blob的方法。示例代码展示了如何应用这些设置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

计算机视觉讨论群162501053

转载请注明：http://blog.csdn.net/abcd1992719g/article/details/27071273

收入囊中

理解blob特征
会利用OpenCV API提取blob特征
自己实现blob特征检测

首先要了解，什么是blob特征，我们来看下面两幅图片。

直观上来看，blob特征就是一团，一坨东西，它并不一定是圆形的，总之它就是那么一团独立存在的特征。

葵花宝典

我们看待世界万物的特征跟物体的大小（scale）有很大的关系。假如当前相机镜头能清楚看到一个人，相机往后移动，那么就能清楚看到一栋建筑，再往后，就是城市，国家，地球，宇宙......

因此，我们必须对不同的scale-space进行一系列的研究，才能挖掘出特征。如下图：这样，我们就达到了一个covariant的方法,如下图。

什么是scale-space?如下图。通过取不同的系数sigma和不同的核size,我们得到不同程序高斯模糊的图片，组成了scale-space.

scale-space有很多的创建方法。

在本文的实现中，我采用了log scale-space

vector<double> create_sigma(double start, double step, double end)
{
	vector<double> sigma;
	while(start <= end+1e-8){
		double s = exp(start);
		sigma.push_back(s);
		start += step;
	}
	return sigma;
}

如果我这样调用 vector<double> sigma = create_sigma(1.0, 0.1, 3.0);

就生成了21个sigma

高斯窗口大小 ksize = ceil(sigma[i]*3)*2+1;

这里的3是一个比较好的取值，原因我会在下面分析（个人理解）.

左图是原图，下面是利用上面的sigma建立出来的scale-space

下一步，为了得到特征，我们对scale-space作用拉普拉斯算子。拉普拉斯梯度在blob的中心会取得最大值，如下图，假设拉普拉斯窗口半径介于1－2之间，那么在下面第4张图片，拉普拉斯窗口覆盖了整个短信号，使得梯度很大，因此，只要用合适的窗口在合适的scale-space操作，就能得到一系列极大值。