5.13-OpenCV学习（8）

最新推荐文章于 2021-11-09 10:39:31 发布

勤快的小铁匠

最新推荐文章于 2021-11-09 10:39:31 发布

阅读量215

点赞数

分类专栏：日常学文章标签： OpenCV

日常学专栏收录该内容

10 篇文章 0 订阅

订阅专栏

图像的矩
矩：严格来讲矩是概率与统计中的一个概念，是随机变量的一种数字特征。设 x为随机变量，C为常数，则量E[(x−c)^k]称为X关于C点的k阶矩。比较重要的两种情况如下：
1.c=0,这时a_k=E(X^k)称为X的k阶原点矩;
2.c=E(X),这时μ_k=E[(X−EX)^k]称为X的k阶中心矩
一阶原点矩就是期望，一阶中心矩μ_1=0，二阶中心矩μ_2就是X的方差Var(X)。在统计学上，高于4阶的矩极少使用，μ_3可以去衡量分布是否有偏，μ_4可以衡量分布（密度）在均值拘谨的陡峭程度。
针对一幅图像，我们把像素的坐标看成是一个二维随机变量(X, Y)，那么一副灰度图可以用二维灰度图密度函数来表示，因此可以用矩来描述灰度图像的特征。
详细介绍
这篇博客里讲到了下面实例里面m00等的含义
计算轮廓面积：double b= contourArea(a); a是个二维点阵
计算轮廓长度：double c = arcLength(points,true);
下面是一个寻找轮廓并进行计算，用了两种方法contourArea和m00

#define WINDOW_NAME1 "【原始图】"                    
#define WINDOW_NAME2 "【图像轮廓】"        
Mat g_srcImage; Mat g_grayImage;
int g_nThresh = 100;
int g_nMaxThresh = 255;
RNG g_rng(123);
Mat g_cannyMat_output;
vector<vector<Point> > g_vContours;
vector<Vec4i> g_vHierarchy;

void on_ThreshChange(int, void*);

int main(int argc, char** argv)
{
    system("color 9F");
    g_srcImage = imread("lena.jpg", 1);
    cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);
    blur(g_grayImage, g_grayImage, Size(3, 3));
    namedWindow(WINDOW_NAME1, WINDOW_AUTOSIZE);
    imshow(WINDOW_NAME1, g_srcImage);

    createTrackbar(" 阈值", WINDOW_NAME1, &g_nThresh, g_nMaxThresh, on_ThreshChange);
    on_ThreshChange(0, 0);

    waitKey(0);
    return(0);
}

void on_ThreshChange(int, void*)
{
    Canny(g_grayImage, g_cannyMat_output, g_nThresh, g_nThresh * 2, 3);

    // 找到轮廓
    findContours(g_cannyMat_output, g_vContours, g_vHierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));

    // 计算矩
    vector<Moments> mu(g_vContours.size());
    for (unsigned int i = 0; i < g_vContours.size(); i++)
    {
        mu[i] = moments(g_vContours[i], false);//true则非零像素全为1
    }

    //  计算中心矩
    vector<Point2f> mc(g_vContours.size());
    for (unsigned int i = 0; i < g_vContours.size(); i++)
    {
        mc[i] = Point2f(static_cast<float>(mu[i].m10 / mu[i].m00), static_cast<float>(mu[i].m01 / mu[i].m00));
    }

    // 绘制轮廓
    Mat drawing = Mat::zeros(g_cannyMat_output.size(), CV_8UC3);
    for (unsigned int i = 0; i< g_vContours.size(); i++)
    {
        Scalar color = Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255));//随机生成颜色值
        drawContours(drawing, g_vContours, i, color, 2, 8, g_vHierarchy, 0, Point());//绘制外层和内层轮廓
        circle(drawing, mc[i], 4, color, -1, 8, 0);;//绘制圆
    }

    // 显示到窗口中
    namedWindow(WINDOW_NAME2, WINDOW_AUTOSIZE);
    imshow(WINDOW_NAME2, drawing);

    // 通过m00计算轮廓面积并且和OpenCV函数比较
    printf("\t 输出内容: 面积和轮廓长度\n");
    for (unsigned int i = 0; i< g_vContours.size(); i++)
    {
        printf(" >通过m00计算出轮廓[%d]的面积: (M_00) = %.2f \n OpenCV函数计算出的面积=%.2f , 长度: %.2f \n\n", i, mu[i].m00, contourArea(g_vContours[i]), arcLength(g_vContours[i], true));
        Scalar color = Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255), g_rng.uniform(0, 255));
        drawContours(drawing, g_vContours, i, color, 2, 8, g_vHierarchy, 0, Point());
        circle(drawing, mc[i], 4, color, -1, 8, 0);
    }
}

图像修补
inpaint函数，但是并没有成功

直方图
直方图是图像中像素强度分布的表达；统计了每一个像素的个数
术语：dims：需要统计特征的个数；bins：组距，也就是有多少组，多少个等级；range：就是每个特征空间的取值范围
这一部分比较复杂，下面是一个绘制直方图的示例，还有绘制三色直方图，原理是一样的，只是做了三次绘制

int main()
{
    //【1】载入原图并显示
    Mat srcImage = imread("dota_pa.jpg", 0);
    imshow("原图", srcImage);

    //【2】定义变量
    MatND dstHist;       // Mat是二维，MatND多维矩阵
    int dims = 1;
    float hranges[] = { 0,255};
    const float *ranges[] = { hranges };   // 这里需要为const类型，const float *p是指p是常量指针,指向float常量或者变量,但是可以改变指向
    int size = 256;
    int channels = 0;

    //【3】计算图像的直方图
    calcHist(&srcImage, 1, &channels, Mat(), dstHist, dims, &size, ranges);   
    //第一个是Mat*,相同的深度都是0；第二个数组个数，第一个Mat图像的数量；第三个int*的需要统计的通道的索引
    //第四个是可选的掩码，若不为空，必须是8位，和images[i]一样的大小；第五个输出的目标直方图，一个二维数组；dims
    //第七个是int*直方图的尺寸；第八个const float**的ranges，即指向指针的指针，每一维的取值范围
    int scale = 1;

    Mat dstImage(size * scale, size* scale, CV_8U, Scalar(0));
    //【4】获取最大值和最小值
    double minValue = 0;
    double maxValue = 0;
    Point_<int> mincol;
    Point_<int> maxcol;
    minMaxLoc(dstHist, &minValue, &maxValue,&mincol, &maxcol);
    //第一个单通道列阵，数组，即上面输出的dsthist；后四个都是指针，最小值，最大值，最小位置，最大位置
    //通过测试，返回的最大值坐标是（0，54）
    //【5】绘制出直方图
    int hpt = saturate_cast<int>(0.9*size);
    for (int i = 0; i < 256; i++)
    {
        float binValue = dstHist.at<float>(i);           //   
        int realValue = saturate_cast<int>(binValue * hpt / maxValue);
        //这里是控制最大值在整个纵轴的0.9处
        rectangle(dstImage, Point(i*scale, size - 1), Point((i + 1)*scale - 1, size - realValue), Scalar(255));//对角线画矩形
    }
    imshow("一维直方图", dstImage);
    cout << minValue << endl << maxValue << endl << mincol<<endl<<maxcol;
    waitKey(0);
    return 0;
}

兴趣点与角点
图像特征可以分为三种：角点（感兴趣点），斑点（感兴趣区域），边缘
角点检测

    Mat img = imread("dota_pa.jpg", 0);
    Mat corner,th;
    cornerHarris(img, corner, 2// 导数平滑的相邻像素的尺寸
, 3// 梯度计算的滤波器孔径大小
，0.01);// Harris参数
    threshold(corner, th, 0.05, 255, THRESH_BINARY);
    imshow("1", th);
    waitKey(0);

确定图像强角点

Mat g_srcImage, g_grayImage;
int g_maxCornerNumber = 33;
int g_maxTrackbarNumber = 500;
RNG g_rng(12345);//初始化随机数生成器
#define WINDOW_NAME "啦啦啦"

void on_GoodFeaturesToTrack(int, void*)
{
    //【1】对变量小于等于1时的处理
    if (g_maxCornerNumber <= 1) { g_maxCornerNumber = 1; }

    //【2】Shi-Tomasi算法（goodFeaturesToTrack函数）的参数准备
    vector<Point2f> corners;
    double qualityLevel = 0.01;//角点检测可接受的最小特征值
    double minDistance = 10;//角点之间的最小距离
    int blockSize = 3;//计算导数自相关矩阵时指定的邻域范围
    double k = 0.04;//权重系数
    Mat copy = g_srcImage.clone();  //复制源图像到一个临时变量中，作为感兴趣区域

                                    //【3】进行Shi-Tomasi角点检测
    goodFeaturesToTrack(g_grayImage,//输入图像
        corners,//检测到的角点的输出向量
        g_maxCornerNumber,//角点的最大数量
        qualityLevel,//角点检测可接受的最小特征值
        minDistance,//角点之间的最小距离
        Mat(),//感兴趣区域
        blockSize,//计算导数自相关矩阵时指定的邻域范围
        false,//不使用Harris角点检测
        k);//权重系数

    cout << "\t>此次检测到的角点数量为：" << corners.size() << endl;

    int r = 4;
    for (int i = 0; i < corners.size(); i++)
    {
        //以随机的颜色绘制出角点
        circle(copy, corners[i], r, Scalar(g_rng.uniform(0, 255), g_rng.uniform(0, 255),
            g_rng.uniform(0, 255)), -1, 8, 0);
    }

    imshow(WINDOW_NAME, copy);
}
int main()
{
    g_srcImage = imread("dota_pa.jpg", 1);
    cvtColor(g_srcImage, g_grayImage, COLOR_BGR2GRAY);

    namedWindow(WINDOW_NAME, WINDOW_AUTOSIZE);
    createTrackbar("最大角点数", WINDOW_NAME, &g_maxCornerNumber, g_maxTrackbarNumber, on_GoodFeaturesToTrack);
    imshow(WINDOW_NAME, g_srcImage);
    on_GoodFeaturesToTrack(0, 0);

    waitKey(0);
    return(0);
}

参数设置都在注释中

亚像素角点检测
也就是需要更高的精度

    vector<Point2f> corners;
    Size win(5, 5);
    Size zero(-1, -1);
    TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 40, 0.001);
    cornerSubPix(GRAY, corners, win, zero, criteria);
    //2：提供输入角点的初始坐标和精确的输出坐标；搜索窗口和死区的一半尺寸（-1，-1）表示没有死区
    for (int i = 0; i < corners.size(); i++)
    {
        cout << corners[i].x<<","<<corners[i].y << endl;
        waitKey(0);
    }

TermCriteria类：这个类是作为迭代算法的终止条件的该类变量需要3个参数，一个是类型，第二个参数为迭代的最大次数，最后一个是特定的阈值。类型有TermCriteria::COUNT、TermCriteria::EPS，这里的COUNT也可以写成MAX_ITER，TermCriteria::EPS + TermCriteria::MAX_ITER。分别代表着迭代终止条件为达到最大迭代次数终止，迭代到阈值终止，或者两者都作为迭代终止条件。以上的宏对应的c++的版本分别为TermCriteria::COUNT、TermCriteria::EPS，这里的COUNT也可以写成MAX_ITER。