传统视觉和图像处理:灰度化、高斯模糊、canny边缘检测、膨胀和侵蚀等

合工大苍穹战队作业五:传统视觉和图像处理

对图像的预处理

在实战中,由于环境光的干扰,如果直接对图片进行算法处理,会错误的提取多余的特征,导致算法的准确度和速度大大降低。我们可以通过调整摄像机曝光或者使用亮度处理的函数,减少背景光的干扰。

代码

#include<opencv2\opencv.hpp>
#include<iostream>
 
using namespace cv;
using namespace std;
 
int pos = 0;
float alpha = 1;
float beta = 0;
Mat src, dst, dst1;
 
void set_brightness(int,void*) {
	src = imread("test.jpg");
	//cvtColor(src, src, COLOR_BGR2GRAY);
	int height = src.rows;
	int width = src.cols;
	beta = pos;
	dst = Mat::zeros(src.size(), src.type());
	for (int i = 0; i < height; i++)
		for (int j = 0; j < width; j++) {
			if (src.channels() == 3) {//如果读入图象是rgb图像
				float b = src.at<Vec3b>(i, j)[0];
				float g = src.at<Vec3b>(i, j)[1];
				float r = src.at<Vec3b>(i, j)[2];
				dst.at<Vec3b>(i, j)[0] = saturate_cast<uchar> (b * alpha + beta);
				dst.at<Vec3b>(i, j)[1] = saturate_cast<uchar> (g * alpha + beta);
				dst.at<Vec3b>(i, j)[2] = saturate_cast<uchar> (r * alpha + beta);
			}
			else if (src.channels() == 1) {如果是灰度图像
				float m = src.at<uchar>(i, j);
				dst.at<uchar>(i, j) = saturate_cast<uchar> (m * alpha + beta);
			}
		}
	imshow("out", dst);
}
int main() {
	namedWindow("out", 1);//创建窗口
	createTrackbar("Brightness", "out", &pos, 100, set_brightness)//创建进度条
	set_brightness(0,0);//调用设置亮度函数
	imshow("input", src);
	waitKey(0);
}

在这里插入图片描述
或者

#include <opencv2/opencv.hpp>
 
using namespace cv;
using namespace std;
 
int main(int argc, char* argv[]){
    // 读入图像,判断读入是否成功
	string fileName = samples::findFile("path");
	Mat src = imread(fileName, IMREAD_COLOR);
	if (src.empty())
	{
		fprintf(stderr, "failed to load image: %s\n", fileName);
		system("pause");
		return EXIT_FAILURE;
	}
 
    Mat dst1, dst2, dst3;
	dst1 = Mat::zeros(src.size(), src.type());
	double alpha = 1.0;
	double beta = 0.0;
	double gama = 1.0;
 
    // 提示并输入 α  β  γ  的值
	cout << " Basic Linear Transforms " << endl;
	cout << "-------------------------" << endl;
	cout << "* Enter the alpha value [1.0-3.0]: "; cin >> alpha;
	cout << "* Enter the beta value [0-100]: ";    cin >> beta;
	cout << "* Enter the gamma value [-1,1]: ";    cin >> gama;
 
    // 直接使用循环遍历每一个像素,应用公式
	double t1 = (double)getTickCount();
	for (int row=0;row<src.rows;++row)
		for(int col=0;col<src.cols;++col)
			for (int channel = 0; channel < src.channels(); ++channel)
			{
				dst1.at<Vec3b>(row, col)[channel] = saturate_cast<uchar>(alpha * src.at<Vec3b>(row, col)[channel] + beta);
			}
	double time1 = ((double)getTickCount() - t1) / getTickFrequency();
	cout << "Method by pixel use time:" << time1 << "(ms)" << endl;
 
    // 调用 convertTo() 函数调整对比度和亮度
	double t2 = (double)getTickCount();
	src.convertTo(dst2, -1, alpha, beta);
	double time2 = ((double)getTickCount() - t2) / getTickFrequency();
	cout << "Method by pixel use time:" << time2 << "(ms)" << endl;
 
    // 构建查找表
	Mat lookUpTable(1, 256, CV_8U);
	uchar* p = lookUpTable.ptr();
	for (int i = 0; i < 256; ++i)
		p[i] = saturate_cast<uchar>(pow(i / 255.0, gama) * 255.0);
 
   // 使用查找表进行对比度亮度调整
	double t3 = (double)getTickCount();
	LUT(src, lookUpTable, dst3);
	double time3 = ((double)getTickCount() - t3) / getTickFrequency();
	cout << "Method by Gamma correct use time:" << time3 << "(ms)" << endl;
 
    // 调整窗体大小,显示调整效果
	namedWindow("original", WINDOW_NORMAL);
	resizeWindow("original", Size(src.cols, src.rows));
	imshow("original", src);
	namedWindow("pixel set", WINDOW_NORMAL);
	resizeWindow("pixel set", Size(src.cols, src.rows));
	imshow("pixel set", dst1);
	namedWindow("convertTo", WINDOW_NORMAL);
	resizeWindow("convertTo", Size(src.cols, src.rows));
	imshow("convertTo", dst2);
	namedWindow("Gamma correct", WINDOW_NORMAL);
	resizeWindow("Gamma correct", Size(src.cols, src.rows));
	imshow("Gamma correct", dst3);
	waitKey(0);
	system("pause");
	return EXIT_SUCCESS;
}

这个是自己调整参数,分别有α,β和γ

其他处理

原图在这里插入图片描述

灰度化处理

cvtColor(img, imgGray, COLOR_BGR2GRAY);

在这里插入图片描述

高斯模糊

GaussianBlur(imgGray, imgBlur, Size(3, 3), 3, 0);

在这里插入图片描述

canny边缘检测

Canny(imgBlur, imgCanny, 25, 75);

在这里插入图片描述

创建膨胀内核

	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));

膨胀和侵蚀

dilate(imgCanny, imgDil, kernel);

erode(imgDil, imgErode, kernel);

在这里插入图片描述
在这里插入图片描述

二值化

图像二值化( ImageBinarization)就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中,二值图像占有非常重要的地位,图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。相当于将输入图像中阈值外的像素全部置0,使得阈值内目标凸出,便于PC进行灯条识别。
直接在上面代码上进行修改,用已经灰度的图片进行二值化:

threshold(imgGray, dst, 100, 255, THRESH_BINARY_INV);
imshow("image dst", dst);

在这里插入图片描述

整体代码

#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <iostream>

using namespace cv;
using namespace std;

void main() {

	string path = "C:\\Users\\tanghaoran\\Pictures\\Saved Pictures\\3.png";
	Mat img = imread(path);
	Mat imgGray, imgBlur, imgCanny, imgDil, imgErode,dst;
	//将照片转换为灰度
	cvtColor(img, imgGray, COLOR_BGR2GRAY);
	threshold(imgGray, dst, 100, 255, THRESH_BINARY_INV);
	//高斯模糊
	GaussianBlur(imgGray, imgBlur, Size(3, 3), 3, 0);
	//Canny边缘检测器  一般在使用Canny边缘检测器之前会做一些模糊处理
	Canny(imgBlur, imgCanny, 25, 75);
	//创建一个可以使用膨胀的内核
	Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
	//图像膨胀
	dilate(imgCanny, imgDil, kernel);
	//图像侵蚀
	erode(imgDil, imgErode, kernel);
	//结果呈现
	imshow("Image", img);
	imshow("Image Gray", imgGray);
	imshow("Image Blur", imgBlur);
	imshow("Image Canny", imgCanny);
	imshow("Image Dilation", imgDil);
	imshow("Image Erode", imgErode);
	imshow("image dst", dst);
	waitKey(0);
}

其他说明

这里只是简单演示一下操作。
在RM中,具体步骤应该是读取图像—>灰度化—>二值化—>轮廓提取,之后再进行其他操作,这样就可以避免上图所示的线条过多的情况从而提高机器人的识别率和准确度。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

我饿了505

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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