OpenCV学习笔记(3)_OpenCV中的灰度阈值筛选和连通域分析实例

最新推荐文章于 2023-12-25 13:36:51 发布
最新推荐文章于 2023-12-25 13:36:51 发布
阅读量3.6k 收藏 16
点赞数 2
分类专栏： OpenCV+Qt 文章标签： opencv 计算机视觉 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/horsee/article/details/122848231
版权

OpenCV学习笔记(3)_OpenCV中的灰度阈值筛选和连通域分析实例

文章目录

1. 实例来源

今天这个实例来自Halcon的示例程序：

threshold.hdev

read_image (Audi2, 'audi2')
fill_interlace (Audi2, ImageFilled, 'odd')
threshold (ImageFilled, Region, 0, 90)
connection (Region, ConnectedRegions)
select_shape (ConnectedRegions, SelectedRegions, 'width', 'and', 30, 70)
select_shape (SelectedRegions, Letters, 'height', 'and', 60, 110)
dev_clear_window ()
dev_set_colored (12)
dev_display (ImageFilled)
dev_display (Letters)

图片也来自halcon的示例图片audi2.png， 该示例通过简单的灰度阈值分割，和连通域分析，将一幅图像中的车牌字符逐个提取出来.

本文通过OpenCV来实现类似的功能.有所不同的是，例程中有一个对视频图像中的错位进行校正的函数fill_interlace(它的作用是去除图像中的锯齿状错位，如图1所示），为了简化，在OpenCV实例中没有进行相应的处理，而是将Halcon中已处理好的中间过程图像提取了出来用作本实例的源图像文件.

在这里插入图片描述

2. 实例核心代码

闲言少叙，直接上全部代码：

#include <iostream>
#include "opencv2/opencv.hpp"
#include <string>
#include <vector>
#include <time.h>

int test1()
{
	srand(time(NULL));
	std::string filename = "../images/audi2.png";
	cv::Mat src = cv::imread(filename, CV_8UC1);
	cv::namedWindow("test1", CV_WINDOW_AUTOSIZE);

	cv::Mat dst, showpic;
	src.copyTo(dst);
    cv::threshold(src, dst, 90, 255, cv::THRESH_BINARY_INV);
	src.copyTo(showpic);
	

	cv::Mat labels, stats, centroids;
	int nccomps = cv::connectedComponentsWithStats(dst, labels, stats, centroids);

	std::vector<cv::Vec3b> colors(nccomps);
	std::vector<int> selectFlag(nccomps);
	selectFlag.assign(nccomps, 1);
	colors[0] = cv::Vec3b(0, 0, 0);
	for (int i = 1; i < nccomps; ++i)
	{
		colors[i] = cv::Vec3b(rand() % 256, rand() % 256, rand() % 256);
		if (stats.at<int>(i, cv::CC_STAT_HEIGHT) < 60 || stats.at<int>(i, cv::CC_STAT_HEIGHT) > 110
			|| stats.at<int>(i, cv::CC_STAT_WIDTH) < 30 || stats.at<int>(i, cv::CC_STAT_WIDTH) > 70)
		{
			colors[i] = cv::Vec3b(0, 0, 0);
			selectFlag[i] = 0;
		}			
	}

	cv::Mat imgBin(src.rows, src.cols, CV_8UC1, cv::Scalar(0));
	for (int y = 0; y < imgBin.rows; ++y)
	{
		for (int x = 0; x < imgBin.cols; ++x)
		{
			int label = labels.at<int>(y, x);

			// 如果是背景连通域，或者是未通过长宽筛选的连通域
			if (0 == label || 0 == selectFlag[label])
			{
				imgBin.at<uchar>(y, x) = 0;
				continue;
			}
			CV_Assert(0 <= label && label <= nccomps);
			imgBin.at<uchar>(y, x) = 255;
		}
	}

	cv::cvtColor(showpic, showpic, CV_GRAY2RGB);
	for (int y = 0; y < showpic.rows; ++y)
	{
		for (int x = 0; x < showpic.cols; ++x)
		{
			int label = labels.at<int>(y, x);

			// 如果是背景连通域，或者是未通过长宽筛选的连通域
			if (0 == label || 0 == selectFlag[label])
				continue;
			CV_Assert(0 <= label && label <= nccomps);
			showpic.at<cv::Vec3b>(y, x) = colors[label];
		}
	}

	cv::imshow("test1", showpic);
	cv::waitKey(0);
	return 0;
}

int main(int argc, char** argv)
{
	test1();
	return 0;
}

结果展示一下：

在这里插入图片描述

3. 实例知识点

3.1 读取灰度图像

读取灰度图像的核心函数为cv::imread

该函数的原型是

Mat cv::imread	(	const String & 	filename,
int 	flags = IMREAD_COLOR 
)

其中，filename是string类型的图像地址，flags是读取的颜色类型，例如本例代码中，CV_8UC1表示的是8位1通道的灰度图像.

int test1()
{
	……
	std::string filename = "../images/audi2.png";
	cv::Mat src = cv::imread(filename, CV_8UC1);
	……
}

3.2 cv::threshold

读取完图像后，对这个灰度图像进行阈值分割，核心函数为cv::threshold

该函数的原型是

double cv::threshold	(	InputArray 	src,
OutputArray 	dst,
double 	thresh,
double 	maxval,
int 	type 
)

实例中的调用为

int test1
{
    ……
	cv::Mat dst;
	src.copyTo(dst);
    cv::threshold(src, dst, 90, 255, cv::THRESH_BINARY_INV);
    ……
}

注意，这里的type决定了threshold的方法，cv::THRESH_BINARY_INV表示的是

d s t ( x , y ) = { 0 i f s r c ( x , y ) > t h r e s h m a x v a l o t h e r w i s e dst(x,y)= \left \{ \begin{array} {lr} 0 \qquad \qquad if \quad src(x,y) > thresh \\ maxval \qquad otherwise \\ \end{array} \right. dst(x,y)={0ifsrc(x,y)>threshmaxvalotherwise​

可参考OpenCV在线文档中关于ThresholdTypes的说明

此处设定的thresh为90，type设置的是cv::THRESH_BINARY_INV，则目标为提取图像中灰度在[0,90)范围内的像素点（黑底白点，白点表示被选中）.

3.3 cv::connectedComponentsWithStats

这是本例的核心函数之二，它的功能比较复杂，本文不做详细解释. 参考OpenCV在线文档中关于connectedComponentsWithStats的说明

在Halcon中，有更加强大的select_shape算子，根据连通域特征对连通域进行筛选.

在OpenCV中，通过此函数可完成

  1. 连通域划分
  2. 面积计算
  3. 宽 高 计算
  4. 中心点坐标计算

函数原型为

int cv::connectedComponentsWithStats	(	InputArray 	image,
OutputArray 	labels,
OutputArray 	stats,
OutputArray 	centroids,
int 	connectivity = 8,
int 	ltype = CV_32S 
)

labels以不同的灰度来标记不同的连通域，每一个像素的灰度就代表所属连通域的序号；

stats记录连通域的信息，包括面积、宽、高等；

centroids记录连通域的中心点坐标；

实例中的函数调用为

int test1
{
    ……
	cv::Mat labels, stats, centroids;
	int nccomps = cv::connectedComponentsWithStats(dst, labels, stats, centroids);
    ……
}

nccomps表示函数返回的连通域的数量.

3.4 连通域长宽筛选

对于本实例，其实3.1~3.3节的核心函数已经完成主要的功能，但在可视化的方面，需要本节及后续两小节的内容来完成.

连通域的长宽筛选，主要是通过connectedComponentsWithStats函数的返回结果来进行.

主要是对stats的分析来完成，在本实例中：

int test1()
{
    ……
 	std::vector<cv::Vec3b> colors(nccomps);
	std::vector<int> selectFlag(nccomps);
	selectFlag.assign(nccomps, 1);
	colors[0] = cv::Vec3b(0, 0, 0);
	for (int i = 1; i < nccomps; ++i)
	{
		colors[i] = cv::Vec3b(rand() % 256, rand() % 256, rand() % 256);
		if (stats.at<int>(i, cv::CC_STAT_HEIGHT) < 60 || stats.at<int>(i, cv::CC_STAT_HEIGHT) > 110
			|| stats.at<int>(i, cv::CC_STAT_WIDTH) < 30 || stats.at<int>(i, cv::CC_STAT_WIDTH) > 70)
		{
			colors[i] = cv::Vec3b(0, 0, 0);
			selectFlag[i] = 0;
		}			
	}
    ……
}

先忽略掉这段代码中关于colors的处理，这一块会在后面涂色相关的内容中讲述.

此处针对连通域进行遍历，取得stats.at<int>(i, cv::CC_STAT_HEIGHT)和stats.at<int>(i, cv::CC_STAT_WIDTH)的高和宽. 代码段中通过selectFlag来对每一个连通域是否选中进行标记.

3.5 筛选结果提取

通过3.4小节的标记，通过以下代码生成一张筛选后的结果二值图(黑底白图)，结果保存在imgBin中：

int test1()
{
    ……
	cv::Mat imgBin(src.rows, src.cols, CV_8UC1, cv::Scalar(0));
	for (int y = 0; y < imgBin.rows; ++y)
	{
		for (int x = 0; x < imgBin.cols; ++x)
		{
			int label = labels.at<int>(y, x);

			// 如果是背景连通域，或者是未通过长宽筛选的连通域
			if (0 == label || 0 == selectFlag[label])
			{
				imgBin.at<uchar>(y, x) = 0;
				continue;
			}
			CV_Assert(0 <= label && label <= nccomps);
			imgBin.at<uchar>(y, x) = 255;
		}
	}
    ……
}

label为0时，实际上表示的是背景连通域.

结果在ImageWatch中显示如下

在这里插入图片描述

3.6 筛选结果涂色显示

3.5节中的结果已经能够把选中的连通域和背景区分开（二值图），但连通域之间的区别不是很明显，要想和HDevelop中那样能够对不同的连通域进行涂色，我们需要通过随机数生成颜色，再加上3.4中标记的结果来进行.

相关的代码段为

int test1()
{	……
    std::vector<cv::Vec3b> colors(nccomps);
	std::vector<int> selectFlag(nccomps);
	selectFlag.assign(nccomps, 1);
	colors[0] = cv::Vec3b(0, 0, 0);
	for (int i = 1; i < nccomps; ++i)
	{
		colors[i] = cv::Vec3b(rand() % 256, rand() % 256, rand() % 256);
		if (stats.at<int>(i, cv::CC_STAT_HEIGHT) < 60 || stats.at<int>(i, cv::CC_STAT_HEIGHT) > 110
			|| stats.at<int>(i, cv::CC_STAT_WIDTH) < 30 || stats.at<int>(i, cv::CC_STAT_WIDTH) > 70)
		{
			colors[i] = cv::Vec3b(0, 0, 0);
			selectFlag[i] = 0;
		}			
	}
	……
	cv::cvtColor(showpic, showpic, CV_GRAY2RGB);
	for (int y = 0; y < showpic.rows; ++y)
	{
		for (int x = 0; x < showpic.cols; ++x)
		{
			int label = labels.at<int>(y, x);

			// 如果是背景连通域，或者是未通过长宽筛选的连通域
			if (0 == label || 0 == selectFlag[label])
				continue;
			CV_Assert(0 <= label && label <= nccomps);
			showpic.at<cv::Vec3b>(y, x) = colors[label];
		}
	}

	cv::imshow("test1", showpic);
	cv::waitKey(0);
 	……
}

绘制的方式是逐像素绘制，通过labels中标记好的像素所归属的连通域来分配不同的颜色.

在3.4节中对不同连通域进行标记的同时，也通过随机数，给不同连通域生成不同的颜色，这是通过一个cv::Vec3b的vector实现的，每一个元素为一个三元数，表示RGB的数值. 每一个分量的数值是通过随机数的方式生成.

背景及筛选未通过的连通域使用黑色，其它的连通域使用彩色.
在这里插入图片描述

CarnivoreRabbit
关注
专栏目录
opencv （三十五）连通域分析
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
02-28 2098
小白学视觉，笔记，扩展
OpenCV_连通区域分析（Connected Component Analysis-Labeling）
热门推荐
09-01 12万+
OpenCV_连通区域分析（Connected Component Analysis/Labeling） 【摘要】本文主要介绍在CVPR和图像处理领域中较为常用的一种图像区域（Blob）提取的方法——连通性分析法（连通区域标记法）。文中介绍了两种常见的连通性分析的算法：1）Two-pass；2）种子填充，并给出了两个算法的基于OpenCV和C++的实现程序。
OpenCV16-图像连通域分析
SHLYYY
10-16 1896
函数可以实现图像中多个连通域的统计，但是只能通过标签将图像中的不同连通域分开，无法得到更多的统计信息。有时，我们希望得到每个连通域中心位置或者在图像中标记出连通域所在的矩形区域，该函数用于计算二值图像中连通域的个数，并在图像中不同的连通域用不同的数字标签标记，其中标签0表示图像中的背景色。函数返回图像中连通域的数目。根据两个像素相邻定义方式不同，得到的连通区域也不相同，因此，在分析连通域的同时，一定要声明是在哪种邻域条件下分析得到的结果。连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域。
opencv+c++灰度图连通域计算
qq_30975339的博客
01-25 1111
效果：将二值化图像的连通区域划分出来 前 后： 优点： 1.图像尺寸大的也能用 2.提供一个思路 原理： 1.逐行遍历原图像，将当前第n行连接的部分放到一起并分组，然后在n-1行寻找连通的部分，如果找到就归入该组，如果没找到就列为新组 2.在向上寻找的时候可能遇到有：当前行n的某一连通区域在n-1行找到2个或2个以上对应的区域、当前行n有多个区域在n-1行找到同一个区域的问题，这些解决起来也不算难，就不提了 被我pass的方案： 逐个点遍历图像，通过递归的方式寻找连通区域（用这个
OpenCV连通域分析
落叶知秋了哟的博客
02-10 445
输入一张二值图，输出图像中的各个连通域。
python opencv学习笔记之数米粒，并返回每一个米粒的位置面积及总个数平均面积
12-22
在本篇《Python OpenCV学习笔记之数米粒》中，我们将探讨如何使用Python和OpenCV库来识别并计算图像中的米粒数量、位置及平均面积。首先，我们需要理解整个程序的基本流程，它包含了以下几个主要步骤： 1. **读取...
OpenCV.js中文教程
06-13
- **色彩空间转换**：如从RGB转换到灰度、HSV等空间，便于进行颜色相关的分析和处理。 - **几何变换**：包括旋转、缩放、平移等，常用于图像校正和定位。 - **阈值处理**：用于二值化图像，便于后续的边缘检测或...
Opencv学习笔记（10）——轮廓分析
secretboys的博客
01-18 1074
Opencv学习笔记（10）——轮廓 本篇文章将为进行Opencv图像处理中有关轮廓的相关知识，具体有： 1.轮廓查找(find contour in your image) 2.多边形逼近——凸包(Convex Hull) 3.轮廓几何及特性概括——轮廓周围绘制矩形框和圆形 4.图像矩(Image Moments) 5.点多边形测试 一.轮廓查找 1.相关理论知识 如上图所示，轮廓查找就是找寻图像中所存在的图像中的轮廓。 轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法。 所以边缘提取的阈值选定会影
连通区域分析与标记代码（基于OpenCV和C++）
09-04
基于OpenCV和C++的连通区域分析与标记代码：包括两种常见的连通性分析的算法：1）Two- pass；2）Seed-Filling种子填充。
OpenＣＶ　图像连通域分析源码
07-16
OpenＣＶ　图像连通域分析源码，实用性很广的
获取连通域(可根据面积筛选封闭图形)
11-19
利用opencv获取图像的连通域(并可根据面积筛选封闭图形)
C#数字图像处理（图像灰度化以及图像连通区域标记）
12-16
该源码是VS.NET下采用C#对数字图像进行处理，主要包括对彩色图像的灰度化、以及对图像连通区域进行标记等。
OpenCV学习笔记（一）、OpenCV基础教程学习
qq_35079593的博客
04-19 1443
1、加载图像是什么： （1）Mat src = cv::imread(“D:2222.jpg”); （2）imread的功能是加载图像文件成为一个Mat对象，第一个参数表示图像的存储路径，第二个参数表示加载的图像是什么类型； （3）IMREAD_UNCHANGED(<0)表示加载原图，不做任何修改； IMREAD_GRAYSCALE(=0)表示把原图作为灰度图像加载进来； IMREAD_CO...
opencv 图像连通域分析
weixin_39354845的博客
02-20 6918
一、简介 图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。提取图像中不同的连通域是图像处理中较为常用的方法，例如在车牌识别、文字识别、目标检测等领域对感兴趣区域分割与识别。一般情况下，一个连通域内只包含一个像素值，因此为了防止像素值波动对提取不同连通域的影响，连通域分析常处理的是二值化后的图像。 二、connectedComponents()函数 int cv::connectedComponents( Input..
OpenCV 笔记(13)：连通域分析
最新发布
Java与Android技术栈
12-25 1712
Part11. 图像的连通域以及连通域分析在该系列第六篇文章中，曾经介绍过连通的概念，下面再来回顾一下。连通：若 S 是图像中的一个像素子集，对于任意的 、。如果存在一条由 S 中像素组成的从 p 到 q 的通路，则称 p 在像素集 S 中与 q 连通。连通域是指具有相同属性的连通集合。例如，在一个二值图像中，具有相同像素值的区域构成一个连通域。所以，连通和连通域是两个不同的概念，连通域是连通的子...
OpenCV——图像连通域分析
点云侠的博客
06-20 4416
Opencv图像连通性分析的C++和python代码实现。
10---OpenCV:图像进阶操作之连通区域分析
zjjaibc的博客
08-30 8411
OpenCV:图像进阶操作之连通区域分析
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值