对图像边缘不均匀进行平滑

最新推荐文章于 2024-07-19 09:55:37 发布
最新推荐文章于 2024-07-19 09:55:37 发布
阅读量226 收藏 2
点赞数 9
文章标签： opencv c++
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/qq_40432801/article/details/139989940
版权

功能

对检测的轮廓边缘有锯齿以及凹凹凸凸的情况，最大程度的去对边缘进行平滑

流程

  1. 从已经通过深度学习模型分割后的视频以一定帧率截图出来，保存在文件夹中；
  2. 从该文件夹中读取所有图片；
  3. 先对图片 预处理 ，转为灰度图，阈值化，中值滤波，开运算；
  4. 平滑操作 检测轮廓凸包 ，对凸包进行填充，这样可以得到一个平滑的标准多边形，但是此处会丢失过多大面积区域；
  5. 对大面积区域进行筛选（大面积通过原图与凸包填充图相减），当面积大于某个限度值时，则保留这部分区域，小于则丢弃，小于这个限度值尽量保证是那些不平滑的锯齿块；
  6. 再将上一步得到的图像应该保留的区域与凸包填充图相减，这样就可以得到不丢失大部分区域的平滑图像；
  7. 对检测的图片进行保存至文件夹中。

对比图

:在这里插入图片描述

代码

部分代码被注释，计算两点距离函数，计算线段的斜率，有尝试用三次贝兹对轮廓进行圆滑操作，方法2是通过对轮廓找线，筛选线，但是线段的顺序不一定，未使用该方法

#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include"opencv2/imgproc/imgproc.hpp"
#include<iostream>
#include <string>
#include <stdio.h>
#include <stdlib.h>
#include "opencv2/core/utility.hpp"
#include "opencv2/imgcodecs.hpp"
#include <opencv2/opencv.hpp>
#include <assert.h> 
#include <cmath>
#include <cstdint>
#include <exception>
#include <vector>
#include <math.h>
using namespace cv;
using namespace std;
#define PI acos(-1)

float QuadraticBezier(float p0, float p1, float p2, float p3, float t) {
	float u = 1.0f - t;
	float tt = t * t;
	float uuu = u * u*u;
	float p = uuu * p0 + 3.0f * u*u * t * p1 +3*u* tt * p2+tt*t*p3;
	return p;
}

vector<float> DrawQuadraticBezier(float x0, float y0, float x1, float y1, float x2, float y2, float x3, float y3, float precision) {
	for (float t = 0.0f; t <= 1.0f; t += precision) {
		float x = QuadraticBezier(x0, x1, x2,x3, t);
		float y = QuadraticBezier(y0, y1, y2,y3, t);
		// 在此处处理插值点，例如绘制像素或保存到图像中
		//std::cout << "(" << x << ", " << y << ")" << std::endl;
		return { x,y };
	}
}

double getDistance(Point2f point1, Point2f point2)
{
	double distance = sqrtf(powf((point1.x - point2.x), 2) + powf((point1.y - point2.y), 2));
	return distance;
}

double CalculateAngle(Point Mar1Point, Point Mar2Point)
{
	double k = (double)(Mar2Point.y - Mar1Point.y) / (Mar2Point.x - Mar1Point.x);  //计算斜率
	double arcLength1 = atan(k);    //弧度
	double current_angle = arcLength1 * 180 / PI;  //角度
	return current_angle;
}

int main()
{
	try
	{
		system("color 5E");  //设置控制台颜色

		//直接读取视频截成图像
		
		
		//VideoCapture::VideoCapture("C:/Users/J24050360/Desktop/test/video/model2_original_test2_out.avi");
		//VideoCapture capture("C:/Users/J24050360/Desktop/test/video/model2_original_test2_out.avi");
		//if (!capture.isOpened())
		//	cout << "fail to open!" << endl;
  //      //获取整个帧数
  //      long totalFrameNumber = capture.get(CAP_PROP_FRAME_COUNT);
  //      cout << "整个视频共" << totalFrameNumber << "帧" << endl;

  //      //设置开始帧()
  //      long frameToStart = 1000;
  //      capture.set(CAP_PROP_POS_FRAMES, frameToStart);
  //      cout << "从第" << frameToStart << "帧开始读" << endl;

  //      //设置结束帧
  //      int frameToStop = 3000;
  //      if (frameToStop < frameToStart)
  //      {
  //          cout << "结束帧小于开始帧，程序错误，即将退出！" << endl;
  //          return -1;
  //      }
  //      else
  //      {
  //          cout << "结束帧为：第" << frameToStop << "帧" << endl;
  //      }
  //      //获取帧率
  //      double rate = capture.get(CAP_PROP_FPS);
  //      cout << "帧率为:" << rate << endl;
  //      //定义一个用来控制读取视频循环结束的变量
  //      bool stop = false;
  //      //承载每一帧的图像
  //      Mat frame;
  //      //显示每一帧的窗口
  //      //namedWindow( "Extractedframe" );
  //      //两帧间的间隔时间:
  //      //int delay = 1000/rate;
  //      double delay = 1000 / rate;
  //      //利用while循环读取帧
  //      //currentFrame是在循环体中控制读取到指定的帧后循环结束的变量
  //      long currentFrame = frameToStart;

  //      while (!stop)
  //      {
  //          //读取下一帧
  //          if (!capture.read(frame))
  //          {
  //              cout << "读取视频失败" << endl;
  //              return -1;
  //          }
  //          //cout << "正在读取第" << currentFrame << "帧" << endl;
  //          //imshow( "Extractedframe", frame );

  //          //此处为跳帧操作
  //          if (currentFrame % 10 == 0) //此处为帧数间隔，修改这里就可以了
  //          {
  //              cout << "正在写第" << currentFrame << "帧" << endl;
  //              stringstream str;
  //              str << "C:/Users/J24050360/Desktop/test/video/resultimage" << currentFrame << ".png";        /*图片存储位置*/

  //              cout << str.str() << endl;
  //              imwrite(str.str(), frame);
  //          }
  //          //waitKey(intdelay=0)当delay≤ 0时会永远等待；当delay>0时会等待delay毫秒
  //          //当时间结束前没有按键按下时，返回值为-1；否则返回按键
  //          int c = waitKey(delay);
  //          //按下ESC或者到达指定的结束帧后退出读取视频
  //          if ((char)c == 27 || currentFrame > frameToStop)
  //          {
  //              stop = true;
  //          }
  //          //按下按键后会停留在当前帧，等待下一次按键
  //          if (c >= 0)
  //          {
  //              waitKey(0);
  //          }
  //          currentFrame++;

  //      }
  //      //关闭视频文件
  //      capture.release();


		//遍历文件夹下面的所有图片
        //Mat src = imread("C:/Users/J24050360/Desktop/resultimage1820.png");
		string path = "C:/Users/J24050360/Desktop/test/videoimage/*.png";
		vector<String> fn;
		glob(path, fn, false);  //false表示不遍历子文件夹
		size_t count = fn.size();
		for (int i = 0; i < count; i++)
		{
			Mat src = imread(fn[i]);
			Mat image = src.clone();

			//对视频中截取出来的图片进行预处理
			cv::cvtColor(image, image, COLOR_RGB2GRAY);
			cv::threshold(image, image, 200, 255, THRESH_BINARY);
			//二值化之后做一次中值滤波
			medianBlur(image, image, 7);
			Mat element = getStructuringElement(MORPH_RECT, Size(7, 7));
			morphologyEx(image, image, MORPH_OPEN, element); //开运算--先腐蚀后膨胀，平滑大物体边界

			vector<vector<Point>> contours;
			vector<Vec4i> hierarchy;
			findContours(image, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE);
			sort(contours.begin(), contours.end(), [](const auto& d1, const auto& d2) {return arcLength(d1, true) > arcLength(d2, true); });
			// 绘制轮廓
			Mat result(image.size(), CV_8UC1, Scalar(0, 0, 0));
			vector<double>ContoursAreas;
			if (contours.size() < 1)
			{
				return 0;
			}
			int contoursize = contours.size();
			for (size_t i = 0; i < contoursize; i++)
			{
				Scalar color(255, 255, 255);
				drawContours(result, contours, static_cast<int>(i), color, 2, LINE_8, hierarchy, 0);
				ContoursAreas.push_back(contourArea(contours[i]));
			}

			//方法一：凸包检测，再多边形填充,填充后对损失的区域进行筛选留下细节
			cv::Mat anti_aliasing_image(image.size(), CV_8U, cv::Scalar(0));
			cv::Mat sub_image(image.size(), CV_8U, cv::Scalar(0));
			vector<vector<Point>> hull(contours.size());
			for (int i = 0; i < contours.size(); i++)
			{
				convexHull(Mat(contours[i]), hull[i], false);  //凸包检测
			}
			for (int i = 0; i < contours.size(); i++)
			{
				cv::fillConvexPoly(anti_aliasing_image, hull[i], (255, 255, 255), cv::LINE_AA);  //多边形填充
			}
			for (int i = 0; i < image.rows; i++)
			{
				for (int j = 0; j < image.cols; j++)
				{
					if (((anti_aliasing_image.at<uchar>(i, j)) != 255))
					{
						anti_aliasing_image.at<uchar>(i, j) = 0;
					}
				}
			}

			subtract(anti_aliasing_image, image, sub_image);
			vector<vector<Point>> contours_sub;
			vector<Vec4i> hierarchy_sub;
			findContours(sub_image, contours_sub, hierarchy_sub, RETR_EXTERNAL, CHAIN_APPROX_NONE);
			sort(contours_sub.begin(), contours_sub.end(), [](const auto& d1, const auto& d2) {return contourArea(d1, true) > contourArea(d2, true); });
			// 绘制轮廓
			Mat result_subTemp(image.size(), CV_8UC1, Scalar(0, 0, 0));
			Mat result_sub(image.size(), CV_8UC1, Scalar(0, 0, 0));
			vector<double>ContoursAreas_sub;
			if (contours_sub.size() < 1)
			{
				return 0;
			}
			for (size_t i = 0; i < contours_sub.size(); i++)
			{
				Scalar color(255, 255, 255);
				if (contourArea(contours_sub[i]) > 100)
				{
					drawContours(result_subTemp, contours_sub, static_cast<int>(i), color, -1, LINE_8, hierarchy, 0);
					ContoursAreas_sub.push_back(contourArea(contours_sub[i]));
				}
			}
			subtract(anti_aliasing_image, result_subTemp, result_sub);



			//图像处理结束，对这些图片进行保存处理
			String ImgName = fn[i];
			string::size_type iPos = ImgName.find_last_of('\\') + 1;
			string filename = ImgName.substr(iPos, ImgName.length() - iPos);
			string name = filename.substr(0, filename.rfind("."));
		    if (ImgName.find(".png") != String::npos)
			{
				string::size_type ipos = ImgName.length() - filename.length();
				string::size_type ipos1 = ImgName.length();
				//string path = ImgName.substr(0, ipos);
				string path = "C:/Users/J24050360/Desktop/test/videoimage_result\\";
				imwrite(path + name + ".png", result_sub);//文件夹必须提前创建，否则代码执行没有效果
				//imwrite("C:/Users/J24050360/Desktop/1/resultimage360_sub.png", result_sub);
			}
	
			
		}

		//方法二，形态学变换，开运算后找直线，通过直线来拟合，将多个小段直线作为一条直线----线段排序无规则，无法判定上条直线与下条直线是相邻的
		//Mat Hough_image(image.size(), CV_8U, cv::Scalar(0));
		//vector<Vec4i> lines_temp; // 存储检测到的直线
		//vector<Vec4i> lines1,lines2; //存储筛选后的线段
		//HoughLinesP(result, lines_temp, 1, CV_PI / 180, 10, 5, 30); // 应用霍夫直线检测算法
		//for (size_t i = 1; i < lines_temp.size(); i++)
		//{
		//	Vec4i L = lines_temp[i];
		//	Vec4i L_first = lines_temp[i-1];
		//	if (fabs(CalculateAngle(Point(L_first[2], L_first[3]), Point(L[0], L[1])) < 2))  //计算角度，上一条直线与下一条直线角度之差在范围内时则作为一条直线
		//	{
		//		line(Hough_image, Point(L_first[0], L_first[1]), Point(L[2], L[3]), Scalar(255, 255, 255), 1, LINE_AA);
		//		Vec4i L_result1 = { L_first[0], L_first[1], L[2], L[3] };
		//		lines1.push_back(L_result1);
		//	}
		//	else
		//	{
		//		line(Hough_image, Point(L_first[0], L_first[1]), Point(L_first[2], L_first[3]), Scalar(255, 255, 255), 1, LINE_AA);
		//		Vec4i L_result2 = { L_first[0], L_first[1], L_first[2], L_first[3] };
		//		lines2.push_back(L_result2);
		//	}
		//	
		//}		
		//vector<vector<Point>> contours_line;
		//vector<Vec4i> hierarchy_line;
		//findContours(Hough_image, contours_line, hierarchy_line, RETR_EXTERNAL, CHAIN_APPROX_NONE);
		//sort(contours_line.begin(), contours_line.end(), [](const auto& d1, const auto& d2) {return arcLength(d1, true) > arcLength(d2, true); });
		 绘制轮廓
		//Mat contours_lineimage(image.size(), CV_8UC1, Scalar(0, 0, 0));
		//if (contours_line.size() < 1)
		//{
		//	return 0;
		//}
		//for (size_t i = 0; i < contours_line.size(); i++)
		//{
		//	Scalar color(255, 255, 255);
		//	drawContours(contours_lineimage, contours_line, static_cast<int>(i), color, 2, LINE_8, hierarchy, 0);
		//}			
	}
	catch (cv::Exception& e)
	{

		std::cout << e.what() << std::endl;
	}
	waitKey(0);
	return 0;
}
qq_40432801
关注
  • 9
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MATLAB图像处理算法专栏：直方图变化，平滑滤波，边缘检测，阈值分割处理。
m0_59142824的博客
05-19 2393
MATLAB图像处理算法专栏： 直方图变化模块(均值化，规定化); 平滑滤波模块(椒盐噪声，高斯噪声，维纳滤波，中值滤波); 边缘检测模块(Sobel，Prewitt，Canny，Roberts算子); 阈值分割模块(灰度图像，二值图像，局部阈值分割，最大类间方差法)。 源程序直接在MATLAB里面运行出GUI界面，便于对比与保存！
matlab中二值图像边缘的平滑滤波,MATLAB--数字图像处理 图像噪声与滤波处理
weixin_28295799的博客
03-16 2693
一、实验名称图像的噪声与滤波处理二、实验目的1.熟悉MATLAB软件的使用。2.掌握图像的噪声与滤波处理。三、实验内容1.对一张图片添加不同强度的高斯噪声、椒盐噪声2.对图像进行不同模板的均值滤波、高斯加权滤波、中值滤波，对比结果并分析不同滤波方式的优劣四、实验仪器与设备Win10 64位电脑MATLAB2017a五、实验原理高斯噪声所谓高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类...
Python调用OpenCV实现图像平滑处理
Bruce Che 的专栏
11-28 1575
在OpenCV中，经常用到的二维图像平滑处理有以下4种：均值滤波、中值滤波、高斯滤波和双边滤波。本节我们介绍在Python环境下调用OPenCV接口，如何对图像进行平滑处理。
图像平滑处理
m0_46573394的博客
01-22 4572
目录图像平滑处理图像平滑处理原理图像平滑处理方法：均值滤波基本原理函数语法：dst=cv2.blue(src,ksize,anchor,borderType)例子方框滤波函数语法：dst=cv2.boxFilter(scr,ddepth,ksize,anchor,normalize,borderType)例程高斯滤波函数语法 dst=cv2.GaussianBlur(scr,ksize,sigmaX,sigmaY,borderType)例子中值滤波基本原理函数语法：dst=cv2.medianBlur(sc
【数字图像】数字图像平滑处理的奇妙之旅
朝花夕拾
12-20 1万+
带领读者走进数字世界中的一场视觉奇妙之旅，探索数字图像平滑处理的神奇效果。作者通过深入解析平滑处理的原理，揭示了在数字图像中实现视觉魔法的技术内幕。文章首先介绍了数字图像平滑处理的背景和意义，探讨了在图像中应用平滑处理的目的与效果。通过对平滑算法的深入解析，读者将了解到如何通过这项技术来改善图像质量、减少噪声，并实现更清晰、更吸引人的视觉效果。进一步，博文展示了作者在平滑处理方面的实际应用，包括使用先进的滤波器和算法来优化图像。
opencv图像处理技术（阈值处理与图像平滑）
m0_74859128的博客
04-07 1241
进行图像处理时，常常需要对图像进行预处理以提取所需的信息或改善图像质量。阈值处理和图像平滑是两种常见的预处理技术。阈值处理是一种图像分割技术，其基本思想是将图像中的像素值与一个或多个预先设定的阈值进行比较，根据比较结果将像素分为不同的类别，通常是目标和背景。主要包括二值化、自适应阈值处理等方法。
图像分割与边缘检测
BOTAK
11-15 5324
图像分割与边缘检测 图像分割在整个图像处理过程中的作用 一些概念：前景，背景 三大类方法 根据区域间灰度不连续搜寻区域之间的边界（奇异性检测，边缘连接，边界检测） 以像素性质的分布进行阈值处理（阈值处理） 直接搜寻区域进行分割（基于区域的分割） 奇异性检测 奇异性 图像的奇异性是指图像局部像素的平滑程度，一般情况下，图像的局部区域的像素值是光滑的只有在边界的部分图像的像素值是不光滑的，也就是...
图像处理合集：图像基础操作（图像翻转、图像锐化、图像平滑等）、图像阈值分割（边缘检测、迭代法、OSTU、区域增长法等）、图像特征提取（图像分割、灰度共生矩阵、PCA图像压缩）
热门推荐
qq_41915623的博客
05-04 1万+
文章目录说明1. 图像点处理1.1 图像翻转1.2 幂运算和对数运算2. 直方图处理 说明 本文记录数字图像处理相关问题。导入的依赖如下： import cv2 import matplotlib import matplotlib.pyplot as plt import numpy as np from PIL import Image matplotlib.rcParams['font.sans-serif'] = ['SimHei'] # 显示中文 # 为了坐标轴负号正常显示。matplot
【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理
youcans的博客
04-12 2902
边缘检测的基本方法通常是基于一阶导数和二阶导数的，因此需要进行图像的梯度计算。图像的梯度可以用一阶导数和二阶偏导数来求解。 本例程比较平滑操作对边缘检测的影响。 原始图像分辨率高，精细的细节丰富，使图像中主要边缘检测过于复杂。因此，先对原图像进行平滑处理，再进行梯度卷积运算，可以获得图像的主要边缘，忽略不必要的细节。
基于Matlab的图像处理算法-图像平滑
11-26
2. 执行平滑处理：调用`imfilter`或其他相关的滤波函数，如`wiener2`（维纳滤波）或`medfilt2`（二维中值滤波）对图像进行平滑处理。 3. 显示和比较：使用`imshow`函数显示原始图像和处理后的图像，`imagesc`也可以...
HW1.rar_图像锐化 图像平滑
09-20
接下来，"图像平滑"或称为"低通滤波"，其目的是减少图像噪声、消除椒盐噪声或其他不规则干扰，使得图像看起来更平滑。常见的平滑方法包括平均滤波、高斯滤波和中值滤波。平均滤波是用像素邻域的平均值替换中心像素，...
tuxiangzengqiang.zip_图像增强_锐化和平滑
09-24
锐化是通过增强图像边缘和细节来提高图像清晰度的过程。在数字图像处理中，这通常通过应用一种叫做边缘检测的滤波器来实现，如拉普拉斯算子或高斯差分算子。这些算子能够检测并强化图像中的高频成分，即图像的边缘和...
Matalb图像分割边缘检测算子比较（适合新手）
04-14
Roberts算子使用两个方向的二阶微分矩阵检测边缘，虽然结构简单，但在处理有较强噪声或非均匀光照变化的图像时效果一般。 6. Prewitt和Sobel算子的改进版： 为了解决Prewitt和Sobel算子在处理噪声图像时的不足，...
c#数字图像处理(平滑、修正、锐化、增强等)
02-29
空间域平滑是指直接对图像像素进行操作。在C#中，可以通过遍历图像的每个像素，对其周围邻域内的像素进行加权平均，得到新的像素值，以此达到平滑效果。例如，高斯滤波就是一种典型的空间域平滑方法。 3. **直方图...
opencv—常用函数学习_“干货“_10
chen_0717的博客
07-16 725
离散余弦变换、图像几何变换
RK3588 编译opencv&opencv_contrib记录
最新发布
crystal_sugar的博客
07-19 604
需要opencv和opencv-contrib的版本号保持一致，如下载opencv-4.5.1和opencv_contrib-4.5.1。编译过程很漫长，基本不会一次通过，需要耐心定位错误。用C++测试opencv，调用摄像头并在屏幕上显示内容，使用USB免驱摄像头。等关键字的信息，然后百度或谷歌，如果成功编译后在控制台继续输入。网络搜索并下载这些文件，放到指定目录。该文件不需要下载，可以在opencv文件夹中找到，将。，完成后就可以去你指定的安装目录下查看了。，然后经过漫长的等待，完成后再输入。
【Qt+opencv】计时函数与图像变换
m0_62599305的博客
07-16 1028
在图像处理和计算机视觉的应用中，我们经常需要对图像进行各种变换，如旋转、缩放、剪切等。同时，为了评估算法的性能，我们也需要对代码的执行时间进行精确的测量。OpenCV提供了一系列的函数和方法，使得这些任务变得简单而直接。Qt是一个跨平台的应用程序开发框架，它提供了一套完整的图形用户界面库，以及丰富的工具和库，包括线程、网络、数据库和多媒体等。结合OpenCV，我们可以在Qt中创建强大的图像处理和计算机视觉应用。
opencv—常用函数学习_“干货“_9
chen_0717的博客
07-16 1041
霍夫变换、傅里叶变换
小欧吃苹果-OPPO 2024届校招正式批笔试题-数据开发（C卷）
sigd的博客
07-16 498
小欧吃苹果，拓扑排序处理贪心问题。
Matlab最大均匀性平滑图像处理代码
05-28
该代码使用了双重循环遍历输入图像，对每个像素点进行最大均匀性平滑处理。具体地，它首先获取当前像素点周围的窗口，并计算该窗口的均值和标准差。然后，它计算该窗口的最大均匀性值，并将其用于平滑当前像素点的值...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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