翼遥君的博客

首先抛出一个问题，给定一系列二维平面上的的点，这些点是可以组成一个封闭的二维图形。因为这些点是矩形区域拍摄图像后识别得到的图形的边界点，所以我们要抽象出来这个矩形，也就是我们要反映出这个矩形。问题是在拍照的时候摄像头可能不是正对着图形的，那么矩形就必然在图像上反映为一个四边形, 如下图所示。那怎么得到这个四边形的四个顶点呢？使用经典图像处理的算法的话可以使用OpenCV提供了几个和矩形相关的函数接口。另一类就是使用机器学习类算法检测定位四个角点。首先来看看使用经典图像处理的算法来进行解决。1.最小包络

转载请注明出处，谢谢.图像分割系列的博客连续写了两篇了，这次继续写写利用最大熵模型来进行图像的阈值分割。如果对其他相关博客感兴趣可进入下面的链接查看： 1. OpenCV - 区域生长算法 2. OpenCV - 均值迭代分割 3. OpenCV - 最大间方差(OTUS)分割1. 最大熵是什么？这里所说的熵是指信息熵，信息熵是来自于信息论的一个词，它是对系统所含信息的一种度量。通俗的讲，系

OpenCV中其实有对OTUS算法的实现，threhold()函数最后一个参数可以指定使用OTUS算法。1、最大方差(OTUS)算法的描述和均值迭代算法相似，OTUS算法也是利用图像的直方图进行的。OTUS算法的思想是选取一个阈值T，T∈[0,m−1]T， T \in [0,m-1],mm为图像的灰度级将直方图两部分，TT值使得分成的两组间方差最大。2、算法的步骤待处理图像灰度值范围为[0,m−1

【题外话】:之前在博客中写过一篇“区域生长”的博客，区域生长在平时经常用到，也比较容易理解和代码实现，所以在很多情况下大家会选择这种方法。但是区域生长有一个最致命的点就是需要选取一个生长的种子点。 为了交流学习，同时也为了后面查阅方便，准备陆续将基于直方图的几种分割算法加以总结。1、均值迭代算法的描述对一幅图像MM,均值迭代算法就是要迭代计算得到一个灰度值TT，使得这个灰度值TT将图像分成的

1、findContoursfindContours在OpenCV的参考手册（opencv2refman.pdf）中的原型如下：findContours有两个函数的原型，第一个输出带层次的contours，换句话说每一个contours都在一个单独的图像层上，这就给我们需要单独处理每一个contours带来了方便。不带层次的coutours也有自己的用处，也就是我们在不需要输出

1、理论基础      区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了。这个过程中有几个关键的问题：a> 给定种子点(种子点如何选取？)      种子点的选取很多时候都采用人工交互