OpenCV-差分法实现绿叶识别(图像差分+颜色通道)

简介: OpenCV-差分法实现绿叶识别(图像差分+颜色通道)

实现原理

      物体识别是图像处理学在现实生活中较多的应用之一,目前最为流行的就是运用AI、机器学习等技术结合图像处理学,大量训练数据集,以实现智能且精确的识别。说到人工智能,很多人可能觉得它非常深奥和复杂,其实说白了它最底层的识别逻辑还是基于普通的图像分析,像特征提取、轮廓分析、比对分析等等,再在庞大的数据集中按照相似程度,分析出一个最可能的结果。


      本文提供了一种相对简单的思路来实现绿叶识别,适合初学图像处理的新人研究参考。该方法为差分法:首先对图像进行高斯滤波处理预处理,平滑图像数据;其次,将图像颜色通道按RGB拆分,因为识别物为绿叶,其最明显的特征就是颜色;差分法,将绿色通道减去蓝色通道,之所以选择这两个通道,是因为蓝色通道和绿叶的关系较远,而红色搭配绿色可是黄色哦,绿叶中存在黄色特征信息可是再正常不过了;之后,对差分图进行OTSU阈值处理,得到掩膜感兴趣ROI区域;再后,就是对区域进行闭运算和孔洞闭合处理,保持区域完整性;最后,根据掩膜提取绿叶,完成。

功能函数代码

1)识别绿叶函数。

// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)
{
  CV_Assert(input.channels() == 3);
  Mat temp, result, mask, hole;
  int row = input.rows;
  int col = input.cols;
  // 高斯滤波
  GaussianBlur(input, temp, Size(5, 5), 0);
  // 通道拆分
  vector<cv::Mat> c;
  split(temp, c);
  // 绿通道-蓝通道,提取绿色区域
  Mat diff = c[1] - c[0];
  threshold(diff, mask, 0, 255, THRESH_OTSU);
  // 闭运算封口
  cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
  cv::morphologyEx(mask, mask, MORPH_CLOSE, element);
  // 孔洞闭合
  hole = 255 - mask;
  Clear_MicroConnected_Areas(hole, hole, row*col / 300);
  mask = 255 - hole;
  Clear_MicroConnected_Areas(mask, mask, row*col / 300);
  // 识别区域标记
  result = input.clone();
  result.setTo(Scalar(0, 0, 0), mask == 0);
  return result;
}

2)清除微小面积连通区函数,用于孔洞闭合。具体介绍见:

OpenCV-清除小面积连通域_翟天保的博客-CSDN博客

/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{
  // 备份复制
  dst = src.clone();
  std::vector<std::vector<cv::Point> > contours;  // 创建轮廓容器
  std::vector<cv::Vec4i>  hierarchy;
  // 寻找轮廓的函数
  // 第四个参数CV_RETR_EXTERNAL,表示寻找最外围轮廓
  // 第五个参数CV_CHAIN_APPROX_NONE,表示保存物体边界上所有连续的轮廓点到contours向量内
  cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());
  if (!contours.empty() && !hierarchy.empty())
  {
    std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();
    // 遍历所有轮廓
    while (itc != contours.end())
    {
      // 定位当前轮廓所在位置
      cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
      // contourArea函数计算连通区面积
      double area = contourArea(*itc);
      // 若面积小于设置的阈值
      if (area < min_area)
      {
        // 遍历轮廓所在位置所有像素点
        for (int i = rect.y; i < rect.y + rect.height; i++)
        {
          uchar *output_data = dst.ptr<uchar>(i);
          for (int j = rect.x; j < rect.x + rect.width; j++)
          {
            // 将连通区的值置0
            if (output_data[j] == 255)
            {
              output_data[j] = 0;
            }
          }
        }
      }
      itc++;
    }
  }
}

C++测试代码

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area);
Mat IdentifyLeaves(cv::Mat input);
int main()
{
  Mat src = imread("test1.png");
  Mat result = IdentifyLeaves(src);
  imshow("src", src);
  imshow("result", result);
  waitKey(0);
  return 0;
}
/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{
  // 备份复制
  dst = src.clone();
  std::vector<std::vector<cv::Point> > contours;  // 创建轮廓容器
  std::vector<cv::Vec4i>  hierarchy;
  // 寻找轮廓的函数
  // 第四个参数CV_RETR_EXTERNAL,表示寻找最外围轮廓
  // 第五个参数CV_CHAIN_APPROX_NONE,表示保存物体边界上所有连续的轮廓点到contours向量内
  cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());
  if (!contours.empty() && !hierarchy.empty())
  {
    std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();
    // 遍历所有轮廓
    while (itc != contours.end())
    {
      // 定位当前轮廓所在位置
      cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
      // contourArea函数计算连通区面积
      double area = contourArea(*itc);
      // 若面积小于设置的阈值
      if (area < min_area)
      {
        // 遍历轮廓所在位置所有像素点
        for (int i = rect.y; i < rect.y + rect.height; i++)
        {
          uchar *output_data = dst.ptr<uchar>(i);
          for (int j = rect.x; j < rect.x + rect.width; j++)
          {
            // 将连通区的值置0
            if (output_data[j] == 255)
            {
              output_data[j] = 0;
            }
          }
        }
      }
      itc++;
    }
  }
}
// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)
{
  CV_Assert(input.channels() == 3);
  Mat temp, result, mask, hole;
  int row = input.rows;
  int col = input.cols;
  // 高斯滤波
  GaussianBlur(input, temp, Size(5, 5), 0);
  // 通道拆分
  vector<cv::Mat> c;
  split(temp, c);
  // 绿通道-蓝通道,提取绿色区域
  Mat diff = c[1] - c[0];
  threshold(diff, mask, 0, 255, THRESH_OTSU);
  // 闭运算封口
  cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
  cv::morphologyEx(mask, mask, MORPH_CLOSE, element);
  // 孔洞闭合
  hole = 255 - mask;
  Clear_MicroConnected_Areas(hole, hole, row*col / 300);
  mask = 255 - hole;
  Clear_MicroConnected_Areas(mask, mask, row*col / 300);
  // 识别区域标记
  result = input.clone();
  result.setTo(Scalar(0, 0, 0), mask == 0);
  return result;
}

测试效果

图1 原图1

图2 效果图1

图3 原图2

图4 效果图2

图5 原图3

图6 效果图3

      本文只是提供了一种简单的识别思路,不可能满足所有的场景。举几个例子,如图6所示,因为孔洞闭合的缘故,导致绿叶间的间隙也被涵盖了;又或者,当所识别的绿叶没那么绿,有点偏暗时,蓝色通道的比例自然也提高了,此时用差分法效果就不会那么好了。


      总而言之,不同的场景和需求还是需要结合实际进行算法的设计,天下没有一种算法是可以解决一切问题的,即便是人工智能也不可能,特殊问题特殊对待,加油!


      如果函数有什么可以改进完善的地方,非常欢迎大家指出,一同进步何乐而不为呢~


      如果文章帮助到你了,可以点个赞让我知道,我会很快乐~加油!

相关文章
|
1月前
|
算法 计算机视觉
opencv图像形态学
图像形态学是一种基于数学形态学的图像处理技术,它主要用于分析和修改图像的形状和结构。
34 4
|
15天前
|
存储 计算机视觉
Opencv的基本操作(一)图像的读取显示存储及几何图形的绘制
本文介绍了使用OpenCV进行图像读取、显示和存储的基本操作,以及如何绘制直线、圆形、矩形和文本等几何图形的方法。
Opencv的基本操作(一)图像的读取显示存储及几何图形的绘制
|
3月前
|
计算机视觉 Python
opencv识别颜色
opencv识别颜色
|
2月前
|
算法 计算机视觉 Python
python利用opencv进行相机标定获取参数,并根据畸变参数修正图像附有全部代码(流畅无痛版)
该文章详细介绍了使用Python和OpenCV进行相机标定以获取畸变参数,并提供了修正图像畸变的全部代码,包括生成棋盘图、拍摄标定图像、标定过程和畸变矫正等步骤。
python利用opencv进行相机标定获取参数,并根据畸变参数修正图像附有全部代码(流畅无痛版)
|
2月前
|
计算机视觉 C++
基于VS2019和Opencv4,对hsv颜色空间的图像分割原理以及实现
这篇文章介绍了基于HSV颜色空间的图像分割原理,包括HSV模型的基本概念和如何在OpenCV中通过设置HSV的色彩范围来实现图像中特定颜色的物体分割,并通过示例代码展示了在静态图像和视频流中进行颜色分割的方法。
基于VS2019和Opencv4,对hsv颜色空间的图像分割原理以及实现
WK
|
2月前
|
编解码 计算机视觉 Python
如何在OpenCV中进行图像转换
在OpenCV中,图像转换涉及颜色空间变换、大小调整及类型转换等操作。常用函数如`cvtColor`可实现BGR到RGB、灰度图或HSV的转换;`resize`则用于调整图像分辨率。此外,通过`astype`或`convertScaleAbs`可改变图像数据类型。对于复杂的几何变换,如仿射或透视变换,则可利用`warpAffine`和`warpPerspective`函数实现。这些技术为图像处理提供了强大的工具。
WK
79 1
|
3月前
|
机器学习/深度学习 数据采集 算法
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
Python基于OpenCV和卷积神经网络CNN进行车牌号码识别项目实战
148 19
|
4月前
|
算法 计算机视觉
【Qt&OpenCV 图像的感兴趣区域ROI】
【Qt&OpenCV 图像的感兴趣区域ROI】
120 1
|
4月前
|
运维 算法 计算机视觉
【Qt&OpenCV 图像的模板匹配 matchTemplate/minMaxLoc】
【Qt&OpenCV 图像的模板匹配 matchTemplate/minMaxLoc】
61 1
|
4月前
|
存储 编解码 算法
【Qt&OpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContours&drawContours】
【Qt&OpenCV 检测图像中的线/圆/轮廓 HoughLinesP/HoughCircles/findContours&drawContours】
74 0