OpenCV4Android学习之图像基本特征检测

最新推荐文章于 2024-03-30 02:39:27 发布

gulingfengze

最新推荐文章于 2024-03-30 02:39:27 发布

阅读量4.3k

点赞数 4

本文链接：https://blog.csdn.net/gulingfengze/article/details/53464708

版权

Android OpenCV 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

图像中的信息包括边缘、直线、椭圆、色块或轮廓、角点等形式，这些信息在计算机视觉和图像处理语境中通常被称为特征。下面就来了解一些结合OpenCV在Android平台上的常规的特征检测算法，这里使用AndroidStudio开发平台，当然Eclipse也一样。如果对在这两个IDE上部署OpenCV不熟悉的话，可以参考我之前写的这篇文章：Eclipse与AndroidStudio关于OpenCV4Android库的部署

1.边缘和焦点检测
边缘检测和角点检测时两种最基本也是非常有用的特征检测算法，这些算法包括高斯差分、Canny边缘检测器、Sobel算子和Harris角点。比如我们想在一幅图中找到不同目标的边界或者角点，用于分析目标在图像中的旋转或移动等情况，这时候就需要知道边缘和角点的信息了。

高斯差分
这里我们先了解下什么是边缘和高斯模糊方法，因为下面要用到边缘这个性质和对图像进行高斯模糊来计算边缘点，即边缘点。
- 简单的说，边缘就是图像中像素亮度变化明显的点。
- 高斯（Gaussian）模糊是最常用的模糊方法，是将指定像素变换为其与周边像素加权平均后的值，权重就是高斯分布函数计算出来的值。OpenCV提供了GaussianBlur()的内置函数，我们可以在应用中使用它执行高斯模糊。这里是一篇关于高斯模糊算法的介绍：高斯模糊算法
形如：

Mat src；
Imgproc.GaussianBlur(src，src，new Size(6,6),0);

让我们回到高斯差分技术，其算法分成三步：
- 将图像转换为弧度图像
- 用两个不同的模糊半径对灰色图像执行高斯模糊
- 对上面两幅图像相减，得到一副只包含边缘点的结果图像
在应用中，创建一个用于给定图像计算边缘的函数：

    /**
     * 高斯差分
     */
    private void DifferenceOfGaussian() {
        Mat grayMat = new Mat();
        Mat blur1 = new Mat();
        Mat blur2 = new Mat();
        //将图像转换为灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
        //以两个不同的模糊半径对图像做模糊处理,前两个参数分别是输入和输出图像，第三个参数指定应用滤波器时所用核的尺寸，最后一个参数指定高斯函数中的标准差数值
        Imgproc.GaussianBlur(grayMat, blur1, new Size(15, 15), 5);
        Imgproc.GaussianBlur(grayMat, blur2, new Size(21, 21), 5);
        //将两幅模糊后的图像相减
        Mat DoG = new Mat();
        Core.absdiff(blur1, blur2, DoG);
        //反转二值阈值化
        Core.multiply(DoG, new Scalar(100), DoG);
        Imgproc.threshold(DoG, DoG, 50, 255, Imgproc.THRESH_BINARY_INV);
        //将Mat转换为位图
        Utils.matToBitmap(DoG, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 设置图像
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

处理结果图：

高斯差分

Canny边缘检测器
Canny边缘检测器算法使用了多向灰度梯度和滞后阈值化等复杂技巧，它是边缘检测的最优方法。
算法分为四个步骤：
- 平滑图：使用合适的模糊半径执行高斯模糊来减少图像内的噪声
- 计算图像梯度：计算图像梯度，并将其分为垂直、水平和斜对角
- 非最大值：由图像梯度计算得到梯度方向，检查某一像素在梯度正方向和负方向的局部最大值，然后抑制该像素
- 用滞后阈值化选择边缘：检查某一条边缘是否明显到足以作为最终输出，最后取出所有不够明显的边缘

下面是OpenCV对该算法在Android上的实现代码：

    /**
     * Canny边缘检测器
     */
    private void Canny() {
        Mat grayMat = new Mat();
        Mat cannyEdges = new Mat();
        //将图像转换为灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_RGB2GRAY);
        Imgproc.Canny(grayMat, cannyEdges, 10, 100);
        //将Mat转换回位图
        Utils.matToBitmap(cannyEdges, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 设置图像
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

处理结果图：

Canny边缘检测器

Sobel算子
Sobel算子和Canny边缘检测一样，计算像素灰度梯度。
算法分为四个步骤：
- 将图像转换为灰度图像
- 计算水平方向灰度梯度绝对值
- 计算垂直方向灰度梯度绝对值
- 计算最终梯度

下面是OpenCV对该算法在Android上的实现代码：

    /**
     * Sobel算子
     */
    private void Sobel() {
        Mat grayMat = new Mat();
        //用来保存结果的Mat
        Mat sobel = new Mat(); 
        //分别用于保存梯度和绝对梯度的Mat
        Mat grad_x = new Mat();
        Mat abs_grad_x = new Mat();
        Mat grad_y = new Mat();
        Mat abs_grad_y = new Mat();
        //将图像转换为灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
        //计算水平方向梯度
        Imgproc.Sobel(grayMat, grad_x, CvType.CV_16S, 1, 0, 3, 1, 0);
        //计算垂直方向梯度
        Imgproc.Sobel(grayMat, grad_y, CvType.CV_16S, 0, 1, 3, 1, 0);
        //计算两个方向上梯度绝对值
        Core.convertScaleAbs(grad_x, abs_grad_x);
        Core.convertScaleAbs(grad_y, abs_grad_y);
        //计算结果梯度
        Core.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 1, sobel);
        //将Mat转换为位图
        Utils.matToBitmap(sobel, currentBitmap);
        loadImageToImageView();
    }
     /**
     * 设置图像
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

处理结果图：

Sobel算子

Harris角点检测
Harris焦点检测器是一种在角点检测中最常用的技术，在图像上使用滑动窗口计算亮度的变化。
下面是OpenCV对该算法在Android上的实现代码：

    /**
     * Harris角点
     */
    private void HarrisCorner() {
        Mat grayMat = new Mat();
        Mat corners = new Mat();
        //将图像转换成灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
        Mat tempDst = new Mat();
        //找出角点
        Imgproc.cornerHarris(grayMat, tempDst, 2, 3, 0.04);
        //在新的图像上绘制角点
        Mat tempDstNorm = new Mat();
        Core.normalize(tempDst, tempDstNorm, 0, 255, Core.NORM_MINMAX);
        Core.convertScaleAbs(tempDstNorm, corners);
        //将Mat转换为位图
        Random r = new Random();
        for (int i = 0; i < tempDstNorm.cols(); i++) {
            for (int j = 0; j < tempDstNorm.rows(); j++) {
                double[] value = tempDstNorm.get(j, i);
                if (value[0] > 150)
                    Core.circle(corners, new Point(i, j), 5, new Scalar(r.nextInt(255)), 2);
            }
        }
        //将Mat转换为位图
        Utils.matToBitmap(corners, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 设置图像
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

处理结果图：

Harris角点检测

2.霍夫变换
对于图像分析来说，除了边缘和角点外，还需要检测如直线、圆、椭圆等其他相关形状。例如我们想在一张桌子的图像中检测签字笔等，对于这种情况，一般采用霍夫变换这种技术，它被广泛采用的利用数学等式的参数形式在图像中检测形状的技术。通常我们考虑二维形状的霍夫变换，比如直线和圆，它相对于球体等复杂形状而言更为简单。

霍夫直线
我们对于霍夫变化一般不会直接对图像执行算法，因为图像中任何一条明显的直线都一定是边缘，反之则不然。OpenCV提供了两种实现霍夫直线的方式：标准霍夫直线和概率霍夫直线。它们的主要区别在于概率霍夫直线选取经过随机采样的边缘点子集，而不是所有的边缘点。因为这种方式处理的点更少，所以这使得算法的执行速度更快，而不会降低算法的效果。
下面是OpenCV对该算法在Android上的实现代码：

/**
 * 霍夫直线
 */
private void HoughLines() {
    Mat grayMat = new Mat();
    Mat cannyEdges = new Mat();
    Mat lines = new Mat();
    //将图像转换成灰度
    Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
    //这里使用Canny边缘检测技术计算图像中的边缘，使用其他的也可以
    Imgproc.Canny(grayMat, cannyEdges, 10, 100);
    Imgproc.HoughLinesP(cannyEdges, lines, 1, Math.PI / 180, 50, 20, 20);
    Mat houghLines = new Mat();
    houghLines.create(cannyEdges.rows(), cannyEdges.cols(), CvType.CV_8UC1);
    //在图像上绘制直线
    for (int i = 0; i < lines.cols(); i++) {
        double[] points = lines.get(0, i);
        double x1, y1, x2, y2;
        x1 = points[0];
        y1 = points[1];
        x2 = points[2];
        y2 = points[3];
        Point pt1 = new Point(x1, y1);
        Point pt2 = new Point(x2, y2);
        //在一副图像上绘制直线
        Core.line(houghLines, pt1, pt2, new Scalar(255, 0, 0), 1);
    }
    //将Mat转换为位图
    Utils.matToBitmap(houghLines, currentBitmap);
    loadImageToImageView();
}
/**
 * 设置图像
 */
private void loadImageToImageView() {
    ImageView imgView = (ImageView) findViewById(R.id.image_view);
    imgView.setImageBitmap(currentBitmap);
}

处理结果图：

霍夫直线检测

霍夫圆

与霍夫直线类似，步骤也一样。
下面是OpenCV对该算法在Android上的实现代码：

    /**
     *霍夫圆
     */
    private void HoughCircles() {
        Mat grayMat = new Mat();
        Mat cannyEdges = new Mat();
        Mat circles = new Mat();
        //将图像转换成灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
       //这里使用Canny边缘检测技术计算图像中的边缘，使用其他的也可以
        Imgproc.Canny(grayMat, cannyEdges, 10, 100);
        Imgproc.HoughCircles(cannyEdges, circles, Imgproc.CV_HOUGH_GRADIENT, 1, cannyEdges.rows() / 15);
        Mat houghCircles = new Mat();
        houghCircles.create(cannyEdges.rows(), cannyEdges.cols(), CvType.CV_8UC1);
        //在图像上绘制圆形
        for (int i = 0; i < circles.cols(); i++) {
            double[] parameters = circles.get(0, i);
            double x, y;
            int r;
            x = parameters[0];
            y = parameters[1];
            r = (int) parameters[2];
            Point center = new Point(x, y);
            //在一副图像上绘制圆形
            Core.circle(houghCircles, center, r, new Scalar(255, 0, 0), 1);
        }
        //将Mat转换为位图
        Utils.matToBitmap(houghCircles, currentBitmap);
        loadImageToImageView();
    }
     /**
     * 设置图像
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

处理结果图：

霍夫圆检测

3.轮廓
有时候我们只想关注于感兴趣的目标，这就需要将图像分解成更小的片元，比如我们在一角、五角和一元硬币中分析五角的情况。我们有两种实现途径，一种是使用霍夫圆，另一种就是利用轮廓检测将图像分割为更小的部分，每个部分代表一个特定的硬币。轮廓通常以图像中的边缘来计算，边缘与轮廓的区别在于轮廓是闭合的，边缘可以是任意的。
下面是OpenCV对该算法在Android上的实现代码：

    /**
     * 轮廓检测
     */
    private void Contours() {
        Mat grayMat = new Mat();
        Mat cannyEdges = new Mat();
        Mat hierarchy = new Mat();
        List<MatOfPoint> contourList = new ArrayList<MatOfPoint>(); //A list to store all the contours
        //保存轮廓列表
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
         //这里使用Canny边缘检测技术计算图像中的边缘，使用其他的也可以
        Imgproc.Canny(originalMat, cannyEdges, 10, 100);
        //找出轮廓
        Imgproc.findContours(cannyEdges, contourList, hierarchy, Imgproc.RETR_LIST, Imgproc.CHAIN_APPROX_SIMPLE);
        //在新的图像上绘制轮廓
        Mat contours = new Mat();
        contours.create(cannyEdges.rows(), cannyEdges.cols(), CvType.CV_8UC3);
        Random r = new Random();
        for (int i = 0; i < contourList.size(); i++) {
            Imgproc.drawContours(contours, contourList, i, new Scalar(r.nextInt(255), r.nextInt(255), r.nextInt(255)), -1);
        }
        //将Mat转换为位图
        Utils.matToBitmap(contours, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 设置图像
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

处理结果图：

轮廓检测

以上就是图像的基本特征在Android设备上实现的不同算法，也是我们在Android相关应用开发中的基础。

gulingfengze

关注

4
点赞
踩
11

收藏

觉得还不错? 一键收藏
3
评论
OpenCV4Android学习之图像基本特征检测

图像中的信息包括边缘、直线、椭圆、色块或轮廓、角点等形式，这些信息在计算机视觉和图像处理语境中通常被称为特征。下面就来了解一些结合OpenCV在Android平台上的常规的特征检测算法，这里使用AndroidStudio开发平台，当然Eclipse也一样。
复制链接

扫一扫