OpenCV for Ios 学习笔记(4)－标记检测1

本文原始地址：OpenCV for Ios 学习笔记(4)－标记检测1

简单的标记经常是以白色块和黑色块构成的规则图形。因为我们预先知道这些因素，所以我们可以很容易检测标记。

如图：

首先，我们需要找到封闭的轮廓，然后在矩形轮廓里检查我们的标记。

下面是标记监测管道的处理流程：

1.把输入的图像转化成灰度图像。

2.进行二进制阈值操作（Perform binary threshold operation）。

3.检测图像轮廓。

4.搜索可能的标记。

5.检测并解码标记。

6.模拟出标记的三维姿态（形状）。

首先，我们进行图像灰度化

cvCvtColor

//灰度化
void MarkerDetector::prepareImage(const cv::Mat& bgraMat,cv::Mat& grayscale)
{
    //convert grayscale
    cv::cvtColor(bgraMat, grayscale, CV_BGR2GRAY);
}

其次是图像的二值化（Image binarization）

关于二值化，参考：OpenCV二值化方法

二值化操作将把我们的图像每个像素转换为黑色(零强度)或白色(烈度)，首先我们需要找到轮廓，目前有许多种求阀值的方法，但是多有各自的优势和缺点。

其中既简单又快捷的方法是绝对阀值法－结果依赖于像素强度和某些阀值，即如果像素强度大于阀值，其结果将是白（255），否则将是黑（0）。

但是这个方法有个最大的缺点－它依赖于照明和软强度变化（soft intensity changes）。所以更加可取的方法是自适应阀值－最大的不同在于在以被检查的像素为圆心的半径内使用所有像素。使用平均强度来保证更加健壮的角点检测。

OpenCV学习笔记-自适应阈值化

void MarkerDetector::performThreshold(const cv::Mat& grayscale,cv::Mat& thresholdImg)
{
    //输入图像
    //输出图像
    //使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值
    //自适应阈值算法使用：CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C 
    //取阈值类型：必须是下者之一
    //CV_THRESH_BINARY,
    //CV_THRESH_BINARY_INV
    //用来计算阈值的象素邻域大小: 3, 5, 7, ...
    //
    cv::adaptiveThreshold(grayscale, thresholdImg, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY_INV, 7, 7);
}

轮廓检测

这个函数的输出是一个一个多边形的集合，每个多边形多代表一个可能的轮廓。在这个方法中，我们忽略了尺寸小于minContoursPointAllowed的多边形，因为我们认为它们要么不是有效的轮廓，要么实在太小，不值得去检测它们。

void MarkerDetector::findContours(const cv::Mat &thresholdImg, std::vector<std::vector<cv::Point>> &contours, int minContoursPointAllowed)
{
    //所有的轮廓
    std::vector<std::vector<cv::Point>> allContours;
    
    //输入图像image必须为一个2值单通道图像
    //检测的轮廓数组，每一个轮廓用一个point类型的vector表示
    //轮廓的检索模式
    /*
     CV_RETR_EXTERNAL表示只检测外轮廓
     CV_RETR_LIST检测的轮廓不建立等级关系
     CV_RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
     CV_RETR_TREE建立一个等级树结构的轮廓。具体参考contours.c这个demo
     */
    //轮廓的近似办法
    /*
     CV_CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
     CV_CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
     CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
     offset表示代表轮廓点的偏移量，可以设置为任意值。对ROI图像中找出的轮廓，并要在整个图像中进行分析时，这个参数还是很有用的。
     */
    cv::findContours(thresholdImg, allContours, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);
    contours.clear();
    for (size_t i = 0; i < allContours.size(); i++)
    {
        int size = allContours[i].size();
        if (size > minContoursPointAllowed)
        {
            contours.push_back(allContours[i]);
        }
    }
}

下面是我们检测到的轮廓：

阈值

阈值就是临界值，在PS中的阈值，实际上是基于图片亮度的一个黑白分界值，默认值是50%中性灰，即128，亮度高于128(<50%的灰)的会变白，低于128(>50%的灰)的会变黑（可以跟滤镜中的其它――高反差保留，再用阈值效果会更好）