C++/OpenCV实现图像目标识别与分类

写在前面

这次分享的为一个很理想的情况下的目标识别与分类，对象为螺丝、螺帽、圆环这三个东西，其实就是图一乐呵，为什么说理想化呢？看一下本文使用的实验图片。

可以看到，图像中三个目标非常清楚，因为该图背景非常单一，这张图为在我床单上拍的。最近也还在补充图像处理相关的数学基础理论，要达到能在复杂背景下的目标检测与识别，需要学习的地方还很多。

方法流程

1. 图像预处理，包括去噪、去除背景、阈值化
2. 图像分割
3. 特征提取
4. 机器分类学习

下面根据该顺序具体介绍相关代码以及效果。

1.图像预处理

首先是去除噪声，本文使用高斯滤波去噪。然后是去除背景，在这一步骤由于图像是理性化环境下拍摄的，所以特别好处理，只需要用大核卷积模糊图像来而得到背景图，然后使用图片与背景图进行差分，就可以达到背景去除的目的。最后是阈值化，选取阈值将图像变为二值图像，便于图像分割。

//获得背景图像
cv::Mat calculateLightPattern(cv::Mat img)
{
   
	cv::Mat pattern;
	//通过使用相对于图像大小的大内核尺寸模糊得到背景图
	blur(img, pattern, cv::Size(img.cols / 3, img.cols / 3));
	return pattern;
}
//移除背景
cv::Mat removeLight(cv::Mat img, cv::Mat pattern)
{
   
	cv::Mat result;
	cv::Mat img32, pattern32;
	img.convertTo(img32, CV_32F);
	pattern.convertTo(pattern32, CV_32F);
	//通过背景图像移除背景
	result = 1 - (pattern32/img32);
	result = result * 255;
	result.convertTo(result, CV_8U);
	/*result = img-pattern;*/
	return result;
}

以上为预处理阶段需要的子函数，在预处理函数中将两个函数调用

//预处理
cv::Mat preprocessImage(cv::Mat input)
{
   
	cv::Mat result;
	//去噪
	cv::Mat img_noise;
	GaussianBlur(input, img_noise, cv::Size(5, 5), 0, 0);

	//去除背景
	cv::Mat img_no_light;
	cv::Mat light_pattern = calculateLightPattern(img_noise);
	img_no_light = removeLight(img_noise, light_pattern);

	//阈值化处理
	threshold(img_no_light, result, 30, 255, cv::THRESH_BINARY);

	return result;
}

在目标检测函数中调用，结果如下所示（第一幅图为灰度图像，第二幅图为通过图像模糊得到的背景图，第三幅图为通过背景图将灰度图像背景之后的结果图。得到结果图后阈值化，得到第四幅图）：

2.图像分割

本文中采用连通组件算法进行图像分割。因为上述操作已经将图像转为二值图像，采用八个或者四个连接像素来标记图像。如果两个像素具有相同的值并且是邻居，则把他们连接起来。得到一个个对象就是识别出来的结果，下面是图像识别函数

int targetDectation(std::string path)
{
   
	//读取图像
	cv::Mat imageGray,imageRGB = cv::imread(path, cv::IMREAD_COLOR);
	if (imageRGB.empty())
	{
   
		std::cout << "Fail to read image:" << path << std::endl;
		return -1;
	}
	cv::cvtColor(imageRGB, imageGray, cv::COLOR_RGB2GRAY);
	cv::imshow("ImageGray", imageGray);
	cv::waitKey(0);

	//去除噪声
	GaussianBlur(imageGray, imageGray, cv::Size(5, 5), 0, 0);//使用opencv自带高斯滤波预处理
	//获得背景
	cv::Mat imgPattern = calculateLightPattern(imageGray);
	//移除背景
	imageGray = removeLight(imageGray, imgPattern);
	cv::imshow("ImageGray", imageGray);
	cv::waitKey(0);
	//阈值化
	cv::Mat imageThr;
	cv::threshold(imageGray, imageThr, 50, 255, cv::THRESH_BINARY);
	cv::imshow("thr", imageThr);
	cv::waitKey(0);

	//通过连通组件算法分割
	cv::Mat labels, stats, centroids;
	int num_objects = connectedComponentsWithStats(imageThr, labels, stats, centroids);
	//检查检测出的数目数量
	if (num_objects < 2){
   
		std::cout << "No objects detected" << std::endl;
		return -1;
	}
	else{
   
		std::cout << "Number of objects detected: " << num_objects - 1 << std::endl;
	}
	//展示图像分割结果
	cv::Mat output = cv::Mat::zeros(imageThr.rows, imageThr.cols, CV_8UC3);
	cv::RNG randomNumGenerator(0xFFFFFFFF);