OpenCV的应用：九宫格小人识别

1、实验内容：自动是被下列九宫格图像中小人的位置，并将小人分割出来

2、思路分析：

本实验的难点首先在于如何在一幅图像中把九幅图片分离出来，其次如何能够从分离出来的九幅图片中识别出小人图像。本人的具体思路是这样的：

1. 分离九幅图片：通过findContours()函数寻找到图像中所有物体的轮廓，并用boundingRect()获得所有轮廓的包围矩形，但是我们需要的只是九宫格中的九个矩形区域，因此可以通过比较包围矩形的长或者宽剔除其他干扰矩形，就会得到九个矩形区域。接着可以凭借着九个矩形获得灰度图像的九个感兴趣区域，并将九个感兴趣区域全部输出。
2. 自动识别出小人图像：可以发现，九幅图片中，每幅图像的黑色像素点数都不尽相同，其中小人图像的黑色像素最少，这就是如何自动识别小人图像的突破点。可以寻找到九幅图像中黑色像素点最小的哪一幅，借此间接的自动识别小人图像。

3、本题中用到的关键API:

1. cvtColor():将图片转换成灰度图像
2. threshold：将灰度图像二值化
3. findContours：寻找图像的轮廓
4. boundingRect：获取输入点集的包围矩形
5. 获取像素的三种方式可以查看原创博客https://blog.csdn.net/qq_38316300/article/details/100109246

4、详细代码：

/*
*	实验要求：自动识别图像中小人的位置
*/

#include <opencv2/opencv.hpp>
#include <vector>
#include <iostream>

using namespace std;
using namespace cv;

//找出黑色像素最小的那个图片
int findMinVectorNum(vector<int> temp);
int main(int argc, char ** argv) {
	Mat srcImage;
	srcImage = imread("1.png");
	if (srcImage.empty()) {
		printf("could not load this picture!\n");
		return -1;
	}
	imshow("源图像", srcImage);
	//将图像转化成灰度图像
	Mat grayImage;
	cvtColor(srcImage, grayImage, COLOR_BGR2GRAY);
	// 利用canny进行边缘检测
	Mat binaryImage;
	//Canny(gra yImage, binaryImage, 100, 255);
	threshold(grayImage, binaryImage, 200, 255, THRESH_BINARY);
	imshow("灰度图像", binaryImage);
	// findcontours()获取轮廓
	vector<vector<Point>> contours;
	vector<Vec4i> hierarchy;
	vector<Rect> rect;
	findContours(binaryImage, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);
	// boundingRect()函数获取外围轮廓的矩形

	for (int i = 0; i < contours.size(); i++) {
		// 根据矩形的宽来获取源图像中的九个方格矩形区域
		Rect tempRect = boundingRect(contours[i]);
		if (tempRect.width > 90) {
			rect.push_back(tempRect);
		}
	}
	// 绘制矩形
	Mat dstImage;
	srcImage.copyTo(dstImage);
	imshow("寻找到的矩形", dstImage);
	// //获取图形的感兴趣区域
	imshow("图像1", srcImage(rect[0]));
	imshow("图像2", srcImage(rect[1]));
	imshow("图像3", srcImage(rect[2]));
	imshow("图像4", srcImage(rect[3]));
	imshow("图像5", srcImage(rect[4]));
	imshow("图像6", srcImage(rect[5]));
	imshow("图像7", srcImage(rect[6]));
	imshow("图像8", srcImage(rect[7]));
	imshow("图像9", srcImage(rect[8]));
	//寻找黑色像素最少的图片
	int width = binaryImage(rect[0]).cols;
	int height = binaryImage(rect[0]).rows;
	cout << "width" << width << endl;
	cout << "height" << height << endl;
	vector<int> blackPixNum;
	int black = 0;
	for (size_t i = 0; i < rect.size(); i++) {
		for (size_t row = 0; row < height - 6; row++) {
			for (size_t col = 0; col < width - 10; col++) {
				if (binaryImage(rect[i]).at<uchar>(row, col) == 0) {
					black += 1;
				}
			}
		}
		blackPixNum.push_back(black);
		black = 0;
	}
	cout << "blackPixNum:" << blackPixNum.size()<< endl;
	for (size_t i = 0; i < blackPixNum.size(); i++) {
		cout << "第" << i + 1<< "个图片的黑色像素的个数" << blackPixNum[i] << endl;
	}
	// 找出九个图像中像素最小的那一个图片
	int minVectorNum =  findMinVectorNum(blackPixNum);
	for (size_t i = 0; i < blackPixNum.size(); i++) {
		if (blackPixNum[i] == minVectorNum) {
			imshow("最终找到的图片", srcImage(rect[i]));
		}
	}

	 获取感兴趣的区域
	waitKey(0);
	return 0;
}
int findMinVectorNum(vector<int> temp) {
	int mindata = temp[0];
	int len = temp.size(), i;
	for (i = 1;i<len;i++)
	{
		if (temp[i]<mindata)
			mindata = temp[i];
	}
	return mindata;

}