一、读取图像
读取图像见QT+opencv学习笔记（1）——图像点运算，这里不再赘述。
二、边缘检测
边缘是指图像局部强度变化最显著的部分。边缘主要存在与目标与目标、目标与背景、区域与区域之间。图像强度的不连续性可分为：阶跃不连续，即图像强度在不连续处的两边的像素灰度值有显著的差异；线条不连续，即图像强度从一个值变化到另一个值，保持一较小行程后又回到原来的值。
边缘检测算子检查每个像素的邻域并对灰度变换率进行量化，也包括方向的确定。大多数使用基于方向倒数掩模求卷积的方法。
下面介绍几种常用的边缘检测算子。
Canny算子:
Canny算子运用比较广泛。是在Sobel算子的基础上改进的。
Canny算子的步骤是：
1.先进行滤波降噪。
2.计算梯度幅值和方向（进行Sobel算子计算）。
3.非极大值抑制。
4.滞后阈值。
Canny边缘检测可通过Canny()函数来实现。Canny()函数的定义如下：
void Canny(InputArray image, OutputArray edges, double threshold1, double threshold2, int apertureSize, bool L2gradient )
名字：Canny边缘检测算子
描述：用于检测图像边缘轮廓
参数：
InputArray image ：8位单通道输入图像
OutputArray edges：输出图像，和输入图像的尺寸类型一致
double threshold1：滞后阈值低阈值（用于边缘连接）
double threshold2：滞后阈值高阈值（控制边缘初始段）
int apertureSize：表示Sobel算子孔径大小，默认为3
bool L2gradient：计算图像梯度幅值的标识，默认false
Canny边缘检测主要代码如下：
Canny(grayImg, edgeImg, 30, 80);
Canny边缘检测处理结果如下：
Sobel算子
Sobel算子是一个主要用于边缘检测的离散微分算子，它结合了高斯平滑和微分求导，用于计算图像灰度函数的近似梯度。
Sobel算子检测方法对灰度渐变和噪声较多的图像处理效果较好，对边缘定位不是很准确，图像的边缘不止一个像素。
Sobel边缘检测可通过Sobel()函数来实现。Sobel()函数的定义如下：
void Sobel(InputArray src, OutputArray dst, int ddepth, int xorder, int yorder, int ksize=3, double scale=1, double delta=0, intborderType=BORDERDEFAULT)
名字：Sobel边缘检测算子
描述：用于检测图像边缘轮廓
参数：
InputArray src ：输入图像
OutputArray dst：输出图像，和输入图像的尺寸类型一致
int ddepth：输出图像的深度
int xorder：x方向上的差分阶数
int yorder：y方向上的差分阶数
int ksize=3：Sobel核的大小，取值1,3,5,7
double scale=1：计算倒数时的缩放因子
double delta=0：可选delta值
intborderType=BORDERDEFAULT：边界模式，一般默认即可
Sobel边缘检测主要代码如下：
//Sobel边缘检测 Mat x_edgeImg, y_edgeImg; Mat abs_x_edgeImg, abs_y_edgeImg; /*先对x方向进行边缘检测 */ //因为Sobel求出来的结果有正负，8位无符号表示不全，故用16位有符号表示 Sobel(grayImg,x_edgeImg, CV_16S, 1, 0, 3, 1, 1, BORDER_DEFAULT); convertScaleAbs(x_edgeImg, abs_x_edgeImg);//将16位有符号转化为8位无符号 /*再对y方向进行边缘检测**/ Sobel(grayImg, y_edgeImg, CV_16S, 0, 1, 3, 1, 1, BORDER_DEFAULT); convertScaleAbs(y_edgeImg, abs_y_edgeImg); addWeighted(abs_x_edgeImg, 0.5, abs_y_edgeImg, 0.5, 0, edgeImg);
Sobel边缘检测处理结果如下：
Laplacian算子
Laplacian算子边缘检测是通过二阶倒数，二阶倒数比一阶倒数的好处是在与受到周围的干扰小，其不具有方向性，操作容易，且对于很多方向的图像处理好。
Laplacian算子对噪声比较敏感，所以很少用该算子检测边缘，而是用来判断边缘像素视为与图像的明区还是暗区。
Laplacian边缘检测可通过Laplacian()函数来实现。Laplacian()函数的定义如下：
void Laplacian(InputArray src, OutputArray dst, int ddepth, int ksize=1, double scale, double delta=0, int borderType=BORDER_DEFAULT )
名字： Laplacian边缘检测算子
描述：用于检测图像边缘轮廓
参数：
InputArray src ：输入图像
OutputArray dst：输出图像，和输入图像的尺寸类型一致
int ddepth：输出图像的深度
int ksize=1：用于计算二阶导数的滤波器孔径大小，须为正奇数，默认值为1
double scale：可选比例因子，默认值为1
double delta=0：可选delta值
int borderType=BORDER_DEFAULT ：边界模式，一般默认即可
Laplacian边缘检测主要代码如下：
//Laplacian边缘检测 Mat lapImg; Laplacian(grayImg, lapImg, CV_16S, 5, 1, 0, BORDER_DEFAULT); convertScaleAbs(lapImg, edgeImg);
Laplacian边缘检测处理结果如下：
三、轮廓提取
轮廓的提取，边缘检测就可以做到，不过得到的轮廓比较粗糙。
图像轮廓的提取先对图像二值化，再通过findContours()函数提取轮廓，最后通过drawContours()函数将轮廓绘制出来。在将轮廓提取的结果使用imwrite函数保存到本地时，总是写不了，查了半天没找出问题，刚开始文件名为con.bmp，最后把文件名改成cont.bmp就好了，玄学。。。
1、轮廓边缘关键点可通过findContours()函数来得到。findContours()函数的定义如下：
声明1：
findContours( InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point());
声明2：
findContours( InputOutputArray image, OutputArrayOfArrays contours, int mode, int method, Point offset=Point());
名字：轮廓查找函数
描述：用于查找边缘轮廓坐标点
参数：
第一个参数：image，8位单通道图像矩阵，可以是灰度图，但更常用的是二值图像，可以使从canny（）得到的图像，也可以是threshhold（）函数得到的图像。’
第二个参数：contours，定义为“vector contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。
第三个参数：hierarchy，表示层数，定义为“vector hierarchy”，这一输出将是一个数组（通常仍是标准模板库向量），每条轮廓对应一个数组中一个值，数组中的每个值都是一个四元数组。
第四个参数：int型的mode，定义轮廓的检索模式：
取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
取值二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓， 所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到
取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围 内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
取值四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
第五个参数：int型的method，定义轮廓的近似方法：
取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内
取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留
drawContours()函数定义如下：
2、轮廓边缘的绘制可通过drawContours()函数来实现。drawContours()函数的定义如下：
void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const cv::Scalar& color int thickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point() )
名字：轮廓查找函数
描述：用于查找边缘轮廓坐标点
参数：
第一个参数：image，表示目标图像，
第二个参数：contours，表示输入的轮廓组，每一组轮廓由点vector构成，
第三个参数：contourIdx，指明画第几个轮廓，如果该参数为负值（通常设为-1），则画全部轮廓，如果是一个正数，则对应的轮廓被绘制。
第四个参数；color，为轮廓的颜色，
第五个参数；thickness，为轮廓的线宽，如果为负值或CV_FILLED表示填充轮廓内部，
第六个参数；lineType，为线型，
第七个参数；为轮廓结构信息，
第八个参数；为maxLevel
3、轮廓提取主要代码如下：
Mat contImg = Mat ::zeros(grayImg.size(),CV_8UC3);//定义三通道轮廓提取图像 Mat binImg; threshold(grayImg, binImg, 127, 255, THRESH_OTSU);//大津法进行图像二值化 vector<vector<Point>> contours; vector<Vec4i> hierarchy; //查找轮廓 findContours(binImg, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_NONE); //绘制查找到的轮廓 drawContours(contImg, contours, -1, Scalar(0,255,0));
4、轮廓提取处理结果如下：
四、轮廓跟踪
通常在进行边缘检测之后，需要通过边缘跟踪来将离散的边缘串接起来，常使用的方法边缘跟踪法。边缘跟踪又分为八邻域和四邻域两种。
实现步骤：
1、灰度化并进行Canny边缘检测；
2、按照预先设定的跟踪方向（顺时针）进行边缘跟踪；
3、每次跟踪的终止条件为：8邻域都不存在轮廓。
主要代码如下：
Mat edgeImg,trackImg; //Canny边缘检测 Canny(grayImg, edgeImg, 50, 100); vector<Point> edge_t; vector<vector<Point>> edges; //边缘跟踪 EdgeTracking(edgeImg,edge_t,edges,trackImg);
void Dialog::EdgeTracking(Mat& Edge,vector<Point>& edge_t,vector<vector<Point>>& edges,Mat& trace_edge_color) { // 8 neighbors const Point directions[8] = { { 0, 1 }, {1,1}, { 1, 0 }, { 1, -1 }, { 0, -1 }, { -1, -1 }, { -1, 0 },{ -1, 1 } }; int i, j, counts = 0, curr_d = 0; for (i = 1; i < Edge.rows - 1; i++) for (j = 1; j < Edge.cols - 1; j++) { // 起始点及当前点 //Point s_pt = Point(i, j); Point b_pt = Point(i, j); Point c_pt = Point(i, j); // 如果当前点为前景点 if (255 == Edge.at<uchar>(c_pt.x, c_pt.y)) { edge_t.clear(); bool tra_flag = false; // 存入 edge_t.push_back(c_pt); Edge.at<uchar>(c_pt.x, c_pt.y) = 0; // 用过的点直接给设置为0 // 进行跟踪 while (!tra_flag) { // 循环八次 for (counts = 0; counts < 8; counts++) { // 防止索引出界 if (curr_d >= 8) { curr_d -= 8; } if (curr_d < 0) { curr_d += 8; } // 当前点坐标 // 跟踪的过程，应该是个连续的过程，需要不停的更新搜索的root点 c_pt = Point(b_pt.x + directions[curr_d].x, b_pt.y + directions[curr_d].y); // 边界判断 if ((c_pt.x > 0) && (c_pt.x < Edge.cols - 1) && (c_pt.y > 0) && (c_pt.y < Edge.rows - 1)) { // 如果存在边缘 if (255 == Edge.at<uchar>(c_pt.x, c_pt.y)) { curr_d -= 2; // 更新当前方向 edge_t.push_back(c_pt); Edge.at<uchar>(c_pt.x, c_pt.y) = 0; // 更新b_pt:跟踪的root点 b_pt.x = c_pt.x; b_pt.y = c_pt.y; //cout << c_pt.x << " " << c_pt.y << endl; break; // 跳出for循环 } } curr_d++; } // end for // 跟踪的终止条件：如果8邻域都不存在边缘 if (8 == counts ) { // 清零 curr_d = 0; tra_flag = true; edges.push_back(edge_t); break; } } // end if } // end while } // 显示一下 Mat trace_edge = Mat::zeros(Edge.rows, Edge.cols, CV_8UC1); //Mat trace_edge_color; cvtColor(trace_edge, trace_edge_color, CV_GRAY2BGR); for (i = 0; i < edges.size(); i++) { Scalar color = Scalar(rand()%255, rand()%255, rand()%255); // 过滤掉较小的边缘 if (edges[i].size() > 5) { for (j = 0; j < edges[i].size(); j++) { trace_edge_color.at<Vec3b>(edges[i][j].x, edges[i][j].y)[0] = color[0]; trace_edge_color.at<Vec3b>(edges[i][j].x, edges[i][j].y)[1] = color[1]; trace_edge_color.at<Vec3b>(edges[i][j].x, edges[i][j].y)[2] = color[2]; } } } }
轮廓跟踪处理结果如下：
参考：https://blog.csdn.net/minghui_/article/details/80501436
| 戳戳小手帮忙点个免费的赞和关注吧，嘿嘿。 |
