C++ OpenCV 高级图像处理

44 次浏览	4次

高级图像处理是指在基础图像处理（如滤波、边缘检测等）的基础上，进一步实现更复杂的任务，例如图像分割、轮廓检测、形态学操作、直方图处理等。这些技术广泛应用于目标检测、图像分析、医学影像处理等领域。

高级图像处理的应用场景

医学影像分析：

使用图像分割技术提取病变区域。
使用形态学操作去除噪声。

目标检测与跟踪：

使用轮廓检测和模板匹配定位目标。
使用直方图处理增强目标特征。

图像增强：

使用直方图均衡化提高图像对比度。
使用分水岭算法分离重叠对象。

图像分割

图像分割是图像处理中的一个重要步骤，它将图像划分为多个区域或对象，以便于进一步的分析和处理。常见的图像分割方法包括基于阈值的分割、基于边缘的分割和基于区域的分割。

基于阈值的分割

基于阈值的分割是最简单的图像分割方法之一。它通过设定一个或多个阈值，将图像的像素值分为不同的类别。常见的阈值分割方法包括全局阈值和自适应阈值。

全局阈值分割

全局阈值分割使用一个固定的阈值将图像分为前景和背景。OpenCV 提供了 cv::threshold 函数来实现这一功能。

cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::threshold(src, dst, 128, 255, cv::THRESH_BINARY);

以上代码中，128 是阈值，255 是最大像素值，cv::THRESH_BINARY 表示使用二值化方法。

自适应阈值分割

自适应阈值分割根据图像的局部区域动态调整阈值。OpenCV 提供了 cv::adaptiveThreshold 函数来实现这一功能。

cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::adaptiveThreshold(src, dst, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 11, 2);

以上代码中，255 是最大像素值，cv::ADAPTIVE_THRESH_MEAN_C 表示使用局部均值作为阈值，11 是邻域大小，2 是常数。

基于边缘的分割

基于边缘的分割通过检测图像中的边缘来分割图像。常见的边缘检测算法包括 Canny 边缘检测和 Sobel 算子。

Canny 边缘检测

Canny 边缘检测是一种多阶段的边缘检测算法。OpenCV 提供了 cv::Canny 函数来实现这一功能。

cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat edges;
cv::Canny(src, edges, 100, 200);

以上代码中，100 和 200 是 Canny 算法的两个阈值。

基于区域的分割（分水岭算法）

基于区域的分割通过将图像划分为多个区域来实现分割。分水岭算法是一种常用的基于区域的分割方法。

分水岭算法

分水岭算法将图像视为地形图，通过模拟水流的扩散来分割图像。OpenCV 提供了 cv::watershed 函数来实现这一功能。

cv::Mat src = cv::imread("image.jpg");
cv::Mat markers = cv::Mat::zeros(src.size(), CV_32S);
cv::watershed(src, markers);

以上代码中，markers 是标记矩阵，用于存储分割结果。

轮廓检测

轮廓检测是图像处理中的一个重要步骤，它用于检测图像中的对象边界。OpenCV 提供了多种轮廓检测和处理的函数。

查找轮廓

查找轮廓是轮廓检测的第一步。OpenCV 提供了 cv::findContours 函数来实现这一功能。

cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);

以上代码中，contours 是存储轮廓的向量，hierarchy 是存储轮廓层次结构的向量。

轮廓特征

轮廓特征包括面积、周长、边界框等。OpenCV 提供了多种函数来计算这些特征。

面积

面积是轮廓的一个重要特征。OpenCV 提供了 cv::contourArea 函数来计算轮廓的面积。

double area = cv::contourArea(contours[0]);

周长

周长是轮廓的另一个重要特征。OpenCV 提供了 cv::arcLength 函数来计算轮廓的周长。

double perimeter = cv::arcLength(contours[0], true);

边界框

边界框是轮廓的最小外接矩形。OpenCV 提供了 cv::boundingRect 函数来计算边界框。

cv::Rect rect = cv::boundingRect(contours[0]);

轮廓绘制

轮廓绘制是将检测到的轮廓绘制到图像上。OpenCV 提供了 cv::drawContours 函数来实现这一功能。

cv::Mat dst = cv::Mat::zeros(src.size(), CV_8UC3);
cv::drawContours(dst, contours, -1, cv::Scalar(0, 255, 0), 2);

以上代码中，dst 是绘制轮廓后的图像，cv::Scalar(0, 255, 0) 是轮廓的颜色，2 是轮廓的线宽。

模板匹配

模板匹配是一种在图像中查找特定模板的方法。OpenCV 提供了 cv::matchTemplate 函数来实现这一功能。

单模板匹配

单模板匹配是在图像中查找一个模板。OpenCV 提供了 cv::matchTemplate 函数来实现这一功能。

cv::Mat src = cv::imread("image.jpg");
cv::Mat templ = cv::imread("template.jpg");
cv::Mat result;
cv::matchTemplate(src, templ, result, cv::TM_CCOEFF_NORMED);

以上代码中，result 是匹配结果矩阵，cv::TM_CCOEFF_NORMED 是匹配方法。

多模板匹配

多模板匹配是在图像中查找多个模板。可以通过遍历匹配结果矩阵来实现多模板匹配。

double minVal, maxVal;
cv::Point minLoc, maxLoc;
cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

以上代码中，maxLoc 是匹配结果的最大值位置。

实例

分水岭算法

实例

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
// 读取图像
Mat image = imread("objects.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}

// 转换为灰度图像
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);

// 二值化
Mat binary;
threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);

// 去除噪声
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(binary, binary, MORPH_OPEN, kernel, Point(-1, -1), 2);

// 计算距离变换
Mat dist;
distanceTransform(binary, dist, DIST_L2, 5);

// 归一化距离变换图像
normalize(dist, dist, 0, 1.0, NORM_MINMAX);

// 二值化距离变换图像
threshold(dist, dist, 0.5, 1.0, THRESH_BINARY);

// 查找轮廓
Mat dist_8u;
dist.convertTo(dist_8u, CV_8U);
vector<vector<Point>> contours;
findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

// 创建标记图像
Mat markers = Mat::zeros(dist.size(), CV_32S);
for (size_t i = 0; i < contours.size(); i++) {
drawContours(markers, contours, static_cast<int>(i), Scalar(static_cast<int>(i) + 1), -1);
}

// 应用分水岭算法
watershed(image, markers);

// 显示结果
Mat result = image.clone();
for (int i = 0; i < markers.rows; i++) {
for (int j = 0; j < markers.cols; j++) {
if (markers.at<int>(i, j) == -1) {
result.at<Vec3b>(i, j) = Vec3b(0, 255, 0); // 标记边界为绿色
}
}
}

imshow("Watershed Result", result);
waitKey(0);

return 0;
}

轮廓检测

轮廓检测用于提取图像中对象的边界。

OpenCV 提供了 findContours 函数来检测轮廓。

实例

形态学操作

形态学操作是基于形状的图像处理技术，常用于去除噪声、分离对象等。

实例

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
// 读取图像
Mat image = imread("noisy_image.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}

// 转换为灰度图像
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);

// 二值化
Mat binary;
threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);

// 定义核
Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));

// 开运算（去除噪声）
Mat opened;
morphologyEx(binary, opened, MORPH_OPEN, kernel);

// 闭运算（填充孔洞）
Mat closed;
morphologyEx(opened, closed, MORPH_CLOSE, kernel);

// 显示结果
imshow("Original Binary", binary);
imshow("Opened Image", opened);
imshow("Closed Image", closed);
waitKey(0);

return 0;
}

直方图处理

直方图处理用于分析图像的像素分布，常见的操作包括直方图均衡化、直方图匹配等。

实例

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
// 读取图像
Mat image = imread("low_contrast.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}

// 转换为灰度图像
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);

// 直方图均衡化
Mat equalized;
equalizeHist(gray, equalized);

// 显示结果
imshow("Original Image", gray);
imshow("Equalized Image", equalized);
waitKey(0);

return 0;
}

模板匹配

模板匹配用于在图像中查找与模板相似的区域。

实例

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
// 读取图像和模板
Mat image = imread("scene.jpg");
Mat templ = imread("template.jpg");
if (image.empty() || templ.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}

// 模板匹配
Mat result;
matchTemplate(image, templ, result, TM_CCOEFF_NORMED);

// 找到最佳匹配位置
double minVal, maxVal;
Point minLoc, maxLoc;
minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

// 绘制矩形框
rectangle(image, maxLoc, Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), Scalar(0, 255, 0), 2);

// 显示结果
imshow("Template Matching", image);
waitKey(0);

return 0;
}

44 次浏览	4次

< 首页

< 下一页