OpenCV学习代码记录—— Snake轮廓

很久之前学习过一段时间的OpenCV,当时没有做什么笔记,但是代码都还在,这里把它贴出来做个记录。
代码放在码云上,地址在这里https://gitee.com/solym/OpenCVTest/tree/master/OpenCVTest

效果

693958-20180813205628231-1509747319.jpg

代码

#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/legacy/legacy.hpp>    // cvSnakeImage

// http://blog.csdn.net/hongxingabc/article/details/51606520
//http://wiki.opencv.org.cn/index.php/Snake%E8%BD%AE%E5%BB%93%E4%BE%8B%E5%AD%90

static cv::Mat  src, src_bak;   // 原始图像及其备份

static int  thresholdness = 128;    // 阈值
// 下面的参数用于滑块的值传出
static int ialpha = 20; // alpha代表点相互靠拢的权值(0-1.0)
static int ibeta  = 20; // beta表示弯曲能量(越小越容易弯曲)(0-1.0)
static int igamma = 20; // gamma表示整体能量(0-1.0)

void on_change(int pos,void*);

int snakeContour()
{
    // 创建窗口
    cv::namedWindow("win", 0);
    // 添加四个进度条(滑块条)
    cv::createTrackbar("Thd", "win", &thresholdness, 255, on_change);
    cv::createTrackbar("alpha", "win", &ialpha, 100, on_change);
    cv::createTrackbar("beta", "win", &ibeta, 100, on_change);
    cv::createTrackbar("gamma", "win", &igamma, 100, on_change);
    
    cv::resizeWindow("win", 640, 480);
    // 调用一次on_change,以便显示出窗口
    on_change(0,NULL);

    while (true){
        if (cv::waitKey(40) == 27) {
            cv::destroyWindow("win");
            break;  // 按下ESC键就退出
        }
        // 显示图像到窗口
        cv::imshow("win", src_bak);
    }

    return 0;
}

void on_change(int,void*)
{
    // 读取原图像
    src_bak = cv::imread("../Image/sisy.jpg", 1);
    // 转换为灰度图像
    cv::cvtColor(src_bak, src, CV_BGR2GRAY);

    // 对单通道数组应用固定阈值操作。该函数的典型应用是对灰度图像进行阈值操作得到二值图像。
    // 二值化操作
    cv::threshold(src/*原始图像(单通道)*/,
        src/*目标图像(与原始图像类型一致)*/,
        thresholdness/*二值化控制阈值*/,
        255/*使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值*/,
        CV_THRESH_BINARY/*阈值类型*/);
    // CV_THRESH_BINARY:如果 src(x, y)>threshold, dst(x, y) = max_value; 否则, dst(x, y) = 0;
    // CV_THRESH_BINARY_INV:如果 src(x, y)>threshold, dst(x, y) = 0; 否则, dst(x, y) = max_value.
    // CV_THRESH_TRUNC:如果 src(x, y)>threshold,dst(x, y) = max_value; 否则dst(x, y) = src(x, y).
    // CV_THRESH_TOZERO:如果src(x, y)>threshold,dst(x, y) = src(x, y); 否则 dst(x, y) = 0。
    // CV_THRESH_TOZERO_INV:如果 src(x, y)>threshold,dst(x, y) = 0; 否则dst(x, y) = src(x, y).
    
    std::vector<std::vector<cv::Point> > contours;

    // http://www.360doc.com/content/12/1028/14/6408986_244247418.shtml
    // 寻找初始化轮廓
    cv::findContours(src/*输入图像(2值单通道图像)*/,
        contours/*传出检测的轮廓点数组*/,
        CV_RETR_EXTERNAL/*轮廓检测模式*/,
        CV_CHAIN_APPROX_SIMPLE/*轮廓近似方式*/,
        cv::Point(0, 0)/*轮廓点偏移量*/);

    if (contours.empty()) {
        return; //没有检测到轮廓
    }

    // 绘制轮廓线(绘制到备份的图像上)
    cv::drawContours(src_bak, contours, -1, cv::Scalar(0, 0, 255), 2, 8);

    {
    // 获取alpha、beta、gamma三个值
        float alpha = ialpha / 100.0f;
        float beta = ibeta / 100.0f;
        float gamma = igamma / 100.0f;

        // 改变轮廓位置使得它的能量最小
        // 因为没有C++的接口,所以这里使用C的接口
        IplImage ipl_src = IplImage(src);
        
        // 每个点用于搜索最小值的邻域尺寸,两个 win.width 和 win.height 都必须是奇数
        CvSize size;
        size.width = 3; size.height = 3;
        // 终止条件
        CvTermCriteria criteria;
        criteria.type = CV_TERMCRIT_ITER;
        criteria.max_iter = 1000;
        criteria.epsilon = 0.1;
        // 梯度符号。如果非零,函数为每一个图像象素计算梯度幅值,且把它当成能量场,否则考虑输入图像本身。
        int calc_gradient = 1;

        std::vector<CvPoint> point_arr; // 用于获取一个轮廓环的特征点
        for (int nline = 0; nline < contours.size(); ++nline) {
            // 当前轮廓线点数
            int point_count = contours[nline].size();
            if (point_count > 2) {  // 低于3个点的时候,会出错
                point_arr.resize(point_count);
            } else {
                continue;
            }
            // 拷贝特征点
            for (int npt = 0; npt < contours[nline].size(); ++npt) {
                point_arr[npt] = contours[nline][npt];
            }
            // 执行改变轮廓位置使得它的能量最小
            cvSnakeImage(&ipl_src/*输入图像或外部能量域*/,
                point_arr.data()/*传入传出轮廓点*/,
                point_count/*传入轮廓点数组大小*/,
                &alpha/*连续性能量的权 Weight[s],单个浮点数或长度为 length 的浮点数数组,每个轮廓点有一个权*/,
                &beta/*曲率能量的权 Weight[s],与 alpha 类似*/,
                &gamma/*图像能量的权 Weight[s],与 alpha 类似*/,
                CV_VALUE/*前面三个参数的不同使用方法*/,
                /*CV_VALUE 表示每个 alpha, beta, gamma 都是指向为所有点所用的一个单独数值;
                CV_ARRAY 表示每个 alpha, beta, gamma 是一个指向系数数组的指针,snake 上面各点的系数都不相同。
                因此,各个系数数组必须与轮廓具有同样的大小。所有数组必须与轮廓具有同样大小*/
                size, criteria, calc_gradient);

            // 显示曲线(蓝色)
            for (int prev = 0; prev < point_count; ++prev) {
                int next = (prev + 1) % point_count;
                // 绘线,蓝色
                cv::line(src_bak, point_arr[prev], point_arr[next], cv::Scalar(255, 0, 0), 2, 8, 0);
            }
        }
    }
}
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
opencv是一个开源的计算机视觉库,opencv2.4.9是其的一个版本。在opencv2.4.9,有一个模块叫做stitching,用于图像拼接。 图像拼接是将多张图像按照一定的顺序和方式进行合并,形成一张更大视野覆盖范围的图像。拼接的过程需要解决图像间的重叠区域匹配、图像变换与叠加等问题。 在opencv2.4.9的stitching模块,主要有以下几个重要的类: 1. Stitcher类:拼接器类,用于执行拼接的主要操作。它提供了一系列的方法,如设置拼接的模式、添加要拼接的图像等。 2. FeaturesFinder类:特征点检测类,用于在图像寻找特征点。该类利用SIFT、SURF等算法来检测图像的关键点,以便进行匹配。 3. FeaturesMatcher类:特征点匹配类,用于对图像的特征点进行匹配。该类使用KNN算法进行特征点的匹配,并利用RANSAC算法进一步筛选特征点,剔除误匹配。 4. Estimator类:变换估计类,用于估计图像间的变换参数。该类可以通过特征点的对应关系,计算图像间的旋转矩阵、平移矩阵等变换参数。 5. Blender类:图像融合类,用于将拼接后的图像进行融合。该类可以进行多种融合方式,如线性融合、多频融合等。 通过以上的类和方法,opencv2.4.9的stitching模块能够完成图像拼接的过程。整个过程包括特征点检测、特征点匹配、变换参数估计和图像融合等步骤。 需要指出的是,本文只是对opencv2.4.9的stitching模块进行了初步的介绍,具体的源码分析需要深入研究。整个源码工程庞大,包含很多细节和算法,需要对计算机视觉和图像处理有较深入的理解才能进行分析和改进。
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
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