我試圖找到金屬光澤物體的輪廓，如下圖所示：我使用 OpenCV 的 Canny 來獲取圖像的輪廓；但是，結(jié)果（下圖）確實繪制了原始圖像的完整輪廓。它在右下角有一個很大的突破。我懇請任何類型的資源可以幫助我完善我的輪廓，使其連續(xù)并且（非常接近）與原始圖像的形狀相似。
3 回答
波斯汪
TA貢獻1811條經(jīng)驗 獲得超4個贊
這是另一種可能的解決方案，用 C++ 實現(xiàn)并使用k-means作為主要分割方法。這種分割背后的想法是 k-means（一種聚類方法）將對相似值的顏色進行分組。在這里，我設(shè)置 k-means 來查找 2 種顏色的簇：背景色和前景色。
讓我們看一下代碼：
std::string imageName = "C://opencvImages/LSl42.jpg";
cv::Mat testImage = cv::imread( imageName );
//apply Gaussian Blur to smooth out the input:
cv::GaussianBlur( testImage, testImage, cv::Size(3,3), 0, 0 );
您的圖像具有嘈雜（高頻）的背景。您可以稍微模糊一下以獲得更平滑的漸變并改善分割。我應(yīng)用了標(biāo)準(zhǔn)內(nèi)核大小為 3 x 3 的高斯模糊。檢查輸入和平滑圖像之間的差異：
很酷?，F(xiàn)在，我可以將此圖像傳遞給 K-means。imageQuantization是從這里獲取的一個函數(shù)，它實現(xiàn)了基于 K-means 的分割。正如我所提到的，它可以將具有相似值的顏色分組到集群中。這非常方便！讓我們將顏色分為兩組：前景對象和背景。
int segmentationClusters = 2; //total number of clusters in which the input will be segmented...int iterations = 5; // k-means iterationscv::Mat segmentedImage = imageQuantization( testImage, segmentationClusters, iterations );
結(jié)果：
很不錯，嗯？
您可以直接在此圖像上應(yīng)用邊緣檢測，但我想使用一點形態(tài)學(xué)來改進它。我首先將圖像轉(zhuǎn)換為灰度，應(yīng)用 Outsu 的閾值，然后執(zhí)行形態(tài)閉合：
//compute grayscale image of the segmented output:cv::Mat grayImage;cv::cvtColor( segmentedImage, grayImage, cv::COLOR_RGB2GRAY );//get binary image via Otsu:cv::Mat binImage;cv::threshold( grayImage, binImage, 0, 255, cv::THRESH_OTSU );//Perform a morphological closing to lose up holes in the target blob:cv::Mat SE = cv::getStructuringElement( cv::MORPH_RECT, cv::Size(3, 3) );cv::morphologyEx( binImage, binImage, cv::MORPH_CLOSE, SE, cv::Point(-1,-1), 10 );
我使用大小為 3x3 的矩形結(jié)構(gòu)元素和 10 次關(guān)閉操作迭代，結(jié)果如下：
接下來，使用 Canny 的邊緣檢測器檢測邊緣：
cv::Mat testEdges;//setup lower and upper thresholds for Canny’s edge detection:float lowerThreshold = 30;float upperThreshold = 3 * lowerThreshold;cv::Canny( binImage, testEdges, lowerThreshold, upperThreshold );
最后，獲取 blob 的輪廓：
std::vector<std::vector<cv::Point> > contours;std::vector<cv::Vec4i> hierarchy;cv::findContours( testEdges, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, cv::Point(0, 0) );for( int i = 0; i< contours.size(); i++ ){
cv::Scalar color = cv::Scalar( 0,255,0 );
cv::drawContours( resizedImage, contours, i, color, 2, 8, hierarchy, 0, cv::Point() );}這是我得到的最終結(jié)果：
想通過擴展輪廓來改善結(jié)果？在將二進制圖像傳遞給 Canny 的邊緣檢測之前，嘗試通過幾次迭代來擴大二進制圖像。這是一個測試，將圖像放大 5 次：
長風(fēng)秋雁
TA貢獻1757條經(jīng)驗 獲得超7個贊
在 Python/OpenCV 中，您可以通過以下方式實現(xiàn)：
讀取輸入
轉(zhuǎn)換為 HSV 顏色空間并提取飽和度通道（因為灰色沒有飽和度，而綠色有）
模糊圖像以減少噪點
臨界點
應(yīng)用形態(tài)接近填充閃亮物體的內(nèi)部孔
找到輪廓并過濾最大的（盡管應(yīng)該只有一個）
在輸入圖像上繪制輪廓
保存結(jié)果
輸入：
import cv2
import numpy as np
# read input
img = cv2.imread('shiny.jpg')
# convert to hsv and get saturation channel
sat = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)[:,:,1]
# do a little Gaussian filtering
blur = cv2.GaussianBlur(sat, (3,3), 0)
# threshold and invert to create initial mask
mask = 255 - cv2.threshold(blur, 100, 255, cv2.THRESH_BINARY)[1]
# apply morphology close to fill interior regions in mask
kernel = np.ones((15,15), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
# get outer contours from inverted mask and get the largest (presumably only one due to morphology filtering)
cntrs = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cntrs = cntrs[0] if len(cntrs) == 2 else cntrs[1]
result = img.copy()
area_thresh = 0
for c in cntrs:
area = cv2.contourArea(c)
if area > area_thresh:
area = area_thresh
big_contour = c
# draw largest contour
cv2.drawContours(result, [big_contour], -1, (0,0,255), 2)
# write result to disk
cv2.imwrite("shiny_mask.png", mask)
cv2.imwrite("shiny_outline.png", result)
# display it
cv2.imshow("IMAGE", img)
cv2.imshow("MASK", mask)
cv2.imshow("RESULT", result)
cv2.waitKey(0)
閾值和過濾蒙版：
結(jié)果：
另一種方法是在綠色上使用 cv2.inRange() 來設(shè)置閾值。
慕田峪7331174
TA貢獻1828條經(jīng)驗 獲得超13個贊
一種簡單的方法是應(yīng)用大的高斯模糊 來平滑圖像，然后自適應(yīng)閾值。假設(shè)對象是圖像中最大的東西，我們可以找到輪廓，然后使用輪廓區(qū)域過濾對最大的輪廓進行排序。
二進制圖像
結(jié)果
代碼
import cv2
import numpy as np
# Load image, convert to grayscale, Gaussian Blur, adaptive threshold
image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (13,13), 0)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,51,7)
# Morph close
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=1)
# Find contours, sort for largest contour, draw contour
cnts = cv2.findContours(close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)
for c in cnts:
cv2.drawContours(image, [c], -1, (36,255,12), 2)
break
cv2.imshow('thresh', thresh)
cv2.imshow('image', image)
cv2.waitKey()
添加回答
舉報
0/150
提交
取消