前言
本文将使用OpenCV C++ 进行对象计算。
原图如图所示。本案例想做的是统计图像中有多少个物体。简单来说就是通过统计有效轮廓来计数。本案例其实最重要的是如何进行图像预处理，如何才能够将这些轮廓有效区分开。所以，具体图像要设定一个符合特定需求的算法。接下来，我将一一演示如何一步步进行操作的。
1.灰度、阈值
首先进行图像灰度化，再进行二值化处理。这些都是很基本的图像预处理操作。由于我们的图像是单峰图像，在这是使用的是THRESH_TRIANGLE做阈值。
Mat gray;
cvtColor(src, gray, COLOR_BGR2GRAY);
//单峰图像使用THRESH_TRIANGLE做阈值
Mat thresh;
threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_TRIANGLE);
THRESH_TRIANGLE
THRESH_OTSU
结果如图所示。如果使用THRESH_OTSU的话，效果远没有THRESH_TRIANGLE好。
2.腐蚀
经过二值化得到的图像明显黏在一起的。所以得使用腐蚀操作将它们稍微分离一下。在这里，我使用的kernel稍微大了一点。这个根据图像特征自行设定。
//进行腐蚀操作，稍微断开一些联通区域
Mat kernel = getStructuringElement(MORPH_RECT, Size(15, 15));
Mat erosion;
erode(thresh, erosion, kernel);
如图为进行腐蚀操作后的效果，可以看出已经稍微分离了一点，但还不能完全分离。所以还得进行进一步操作。
3.距离变换
OpenCV 的distanceTransform 用于计算图像中每一个非零点距离自己最近零点的距离。图像上越亮的点，代表离零点距离越远。进行距离变换，可以查找出亮包，找出物体的中心。
//进行距离变换，查找出亮包 找出物体的中心
Mat dist;
distanceTransform(erosion, dist, DIST_L2, 3);
normalize(dist, dist, 0, 1, NORM_MINMAX);
4.自适应阈值
//使用自适应阈值
Mat dist_8U;
dist.convertTo(dist_8U, CV_8UC1);
adaptiveThreshold(dist_8U, dist_8U, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 81,0);
通过使用自适应阈值，已经可以将物体完全分离开了。不过，有些轮廓是断开的，所以还得通过膨胀操作将它们有效连接起来作为一个整体。
5.膨胀
//进行膨胀处理，将有效轮廓联通
Mat dilation;
dilate(dist_8U, dilation, kernel);
至此，我们的图像预处理已经完成了。可以看出，我们已经将物体完全的分离开作为一个整体。接下来就是通过轮廓查找来进行计数了。
二、轮廓查找
vector<vector<Point>>contours;
vector<vector<Point>>EffectiveContours;
findContours(dilation, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
//计算有效联通区域
for (int i = 0; i < contours.size(); i++)
{
double area = contourArea(contours[i]);
if (area > 500)
{
EffectiveContours.push_back(contours[i]);
}
}
我们通过统计有效轮廓就可以统计出来到底有多少个物体了。接下来就是一些显示效果操作了。
三、效果显示
for (int i = 0; i < EffectiveContours.size(); i++)
{
Rect rect = boundingRect(EffectiveContours[i]);
putText(src, to_string(i+1), Point(rect.x+10, rect.y+30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);
//rectangle(src, Rect(rect.x, rect.y, rect.width, rect.height), Scalar(0, 255, 0), 2);
}
char text[10];
sprintf_s(text, '%s%d','Total:',EffectiveContours.size());
putText(src, text, Point(10, 30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);
结果如图所示：
四、源码
#include<iostream>
#include<opencv2/opencv.hpp>
using namespace cv;
using namespace std;
int main()
{
Mat src = imread('test-2.jpg');
if (src.empty())
{
cout << 'No Image!' << endl;
system('pause');
return -1;
}
Mat gray;
cvtColor(src, gray, COLOR_BGR2GRAY);
//单峰图像使用THRESH_TRIANGLE做阈值
Mat thresh;
threshold(gray, thresh, 0, 255, THRESH_BINARY| THRESH_TRIANGLE);
//imshow('thresh', thresh);
//进行腐蚀操作，稍微断开一些联通区域
Mat kernel = getStructuringElement(MORPH_RECT, Size(15, 15));
Mat erosion;
erode(thresh, erosion, kernel);
//imshow('erosion', erosion);
//进行距离变换，查找出亮包 找出物体的中心
Mat dist;
distanceTransform(erosion, dist, DIST_L2, 3);
normalize(dist, dist, 0, 1, NORM_MINMAX);
//imshow('dist', dist);
//使用自适应阈值
Mat dist_8U;
dist.convertTo(dist_8U, CV_8UC1);
adaptiveThreshold(dist_8U, dist_8U, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 81,0);
//imshow('dist_8U', dist_8U);
//进行膨胀处理，将有效轮廓联通
Mat dilation;
dilate(dist_8U, dilation, kernel);
//imshow('close', dilation);
vector<vector<Point>>contours;
vector<vector<Point>>EffectiveContours;
findContours(dilation, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
//计算有效联通区域
for (int i = 0; i < contours.size(); i++)
{
double area = contourArea(contours[i]);
if (area > 500)
{
EffectiveContours.push_back(contours[i]);
}
}
for (int i = 0; i < EffectiveContours.size(); i++)
{
Rect rect = boundingRect(EffectiveContours[i]);
putText(src, to_string(i+1), Point(rect.x+10, rect.y+30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);
//rectangle(src, Rect(rect.x, rect.y, rect.width, rect.height), Scalar(0, 255, 0), 2);
}
char text[10];
sprintf_s(text, '%s%d','Total:',EffectiveContours.size());
putText(src, text, Point(10, 30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);
imshow('src', src);
waitKey(0);
destroyAllWindows();
system('pause');
return 0;
}
总结
本文使用OpenCV C++进行对象计数，关键步骤有以下几点。
1、使用灰度、阈值、形态学操作、距离变换等预处理操作将对象有效分离开成为一个整体。
2、通过统计有效轮廓数量从而统计出实际物体数量。
|
