OpenCV C ++ / Obj-C:检测一张纸/正方形检测
c++
computer-vision
image-processing
objective-c
10
0

我在测试应用程序中成功实现了OpenCV平方检测示例,但是现在需要过滤输出,因为它很乱-还是我的代码错误?

我感兴趣的纸歪斜减少(如的四个角点 ),并进一步处理...

输入输出: 输入输出

原始图片:

点击

码:

double angle( cv::Point pt1, cv::Point pt2, cv::Point pt0 ) {
    double dx1 = pt1.x - pt0.x;
    double dy1 = pt1.y - pt0.y;
    double dx2 = pt2.x - pt0.x;
    double dy2 = pt2.y - pt0.y;
    return (dx1*dx2 + dy1*dy2)/sqrt((dx1*dx1 + dy1*dy1)*(dx2*dx2 + dy2*dy2) + 1e-10);
}

- (std::vector<std::vector<cv::Point> >)findSquaresInImage:(cv::Mat)_image
{
    std::vector<std::vector<cv::Point> > squares;
    cv::Mat pyr, timg, gray0(_image.size(), CV_8U), gray;
    int thresh = 50, N = 11;
    cv::pyrDown(_image, pyr, cv::Size(_image.cols/2, _image.rows/2));
    cv::pyrUp(pyr, timg, _image.size());
    std::vector<std::vector<cv::Point> > contours;
    for( int c = 0; c < 3; c++ ) {
        int ch[] = {c, 0};
        mixChannels(&timg, 1, &gray0, 1, ch, 1);
        for( int l = 0; l < N; l++ ) {
            if( l == 0 ) {
                cv::Canny(gray0, gray, 0, thresh, 5);
                cv::dilate(gray, gray, cv::Mat(), cv::Point(-1,-1));
            }
            else {
                gray = gray0 >= (l+1)*255/N;
            }
            cv::findContours(gray, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);
            std::vector<cv::Point> approx;
            for( size_t i = 0; i < contours.size(); i++ )
            {
                cv::approxPolyDP(cv::Mat(contours[i]), approx, arcLength(cv::Mat(contours[i]), true)*0.02, true);
                if( approx.size() == 4 && fabs(contourArea(cv::Mat(approx))) > 1000 && cv::isContourConvex(cv::Mat(approx))) {
                    double maxCosine = 0;

                    for( int j = 2; j < 5; j++ )
                    {
                        double cosine = fabs(angle(approx[j%4], approx[j-2], approx[j-1]));
                        maxCosine = MAX(maxCosine, cosine);
                    }

                    if( maxCosine < 0.3 ) {
                        squares.push_back(approx);
                    }
                }
            }
        }
    }
    return squares;
}

编辑17/08/2012:

要在图像上绘制检测到的正方形,请使用以下代码:

cv::Mat debugSquares( std::vector<std::vector<cv::Point> > squares, cv::Mat image )
{
    for ( int i = 0; i< squares.size(); i++ ) {
        // draw contour
        cv::drawContours(image, squares, i, cv::Scalar(255,0,0), 1, 8, std::vector<cv::Vec4i>(), 0, cv::Point());

        // draw bounding rect
        cv::Rect rect = boundingRect(cv::Mat(squares[i]));
        cv::rectangle(image, rect.tl(), rect.br(), cv::Scalar(0,255,0), 2, 8, 0);

        // draw rotated rect
        cv::RotatedRect minRect = minAreaRect(cv::Mat(squares[i]));
        cv::Point2f rect_points[4];
        minRect.points( rect_points );
        for ( int j = 0; j < 4; j++ ) {
            cv::line( image, rect_points[j], rect_points[(j+1)%4], cv::Scalar(0,0,255), 1, 8 ); // blue
        }
    }

    return image;
}
参考资料:
Stack Overflow
收藏
评论
共 4 个回答
高赞 时间 活跃

您需要的是四边形而不是旋转的矩形。 RotatedRect将给您不正确的结果。另外,您将需要透视投影。

基本上必须做的是:

  • 遍历所有多边形线段并将几乎相等的线段连接起来。
  • 对它们进行排序,以便获得4个最大的线段。
  • 与这些线相交,您将获得四个最可能的拐角点。
  • 在从已知对象的拐角点和纵横比收集的透视图上变换矩阵。

我实现了一个Quadrangle类,该类负责轮廓到四边形的转换,并且还将在正确的角度对其进行转换。

在此处查看有效的实现: Java OpenCV校正轮廓

收藏
评论

这是Stackoverflow中反复出现的主题,由于我找不到相关的实现,因此决定接受挑战。

我对OpenCV中存在的squares演示进行了一些修改,下面生成的C ++代码能够检测图像中的纸:

void find_squares(Mat& image, vector<vector<Point> >& squares)
{
    // blur will enhance edge detection
    Mat blurred(image);
    medianBlur(image, blurred, 9);

    Mat gray0(blurred.size(), CV_8U), gray;
    vector<vector<Point> > contours;

    // find squares in every color plane of the image
    for (int c = 0; c < 3; c++)
    {
        int ch[] = {c, 0};
        mixChannels(&blurred, 1, &gray0, 1, ch, 1);

        // try several threshold levels
        const int threshold_level = 2;
        for (int l = 0; l < threshold_level; l++)
        {
            // Use Canny instead of zero threshold level!
            // Canny helps to catch squares with gradient shading
            if (l == 0)
            {
                Canny(gray0, gray, 10, 20, 3); // 

                // Dilate helps to remove potential holes between edge segments
                dilate(gray, gray, Mat(), Point(-1,-1));
            }
            else
            {
                    gray = gray0 >= (l+1) * 255 / threshold_level;
            }

            // Find contours and store them in a list
            findContours(gray, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);

            // Test contours
            vector<Point> approx;
            for (size_t i = 0; i < contours.size(); i++)
            {
                    // approximate contour with accuracy proportional
                    // to the contour perimeter
                    approxPolyDP(Mat(contours[i]), approx, arcLength(Mat(contours[i]), true)*0.02, true);

                    // Note: absolute value of an area is used because
                    // area may be positive or negative - in accordance with the
                    // contour orientation
                    if (approx.size() == 4 &&
                            fabs(contourArea(Mat(approx))) > 1000 &&
                            isContourConvex(Mat(approx)))
                    {
                            double maxCosine = 0;

                            for (int j = 2; j < 5; j++)
                            {
                                    double cosine = fabs(angle(approx[j%4], approx[j-2], approx[j-1]));
                                    maxCosine = MAX(maxCosine, cosine);
                            }

                            if (maxCosine < 0.3)
                                    squares.push_back(approx);
                    }
            }
        }
    }
}

执行此过程后,纸页将成为vector<vector<Point> >的最大正方形:

opencv纸张检测

我让您编写函数以找到最大的正方形。 ;)

收藏
评论

除非没有其他要求,否则我将简单地将您的彩色图像转换为灰度图像,然后仅使用该灰度图像(无需在3个通道上工作,对比度已经太高了)。另外,除非存在有关调整大小的特定问题,否则我将使用图像的缩小版本,因为它们相对较大,并且尺寸不会对解决的问题产生任何影响。然后,最后,使用中值滤波器,一些基本的形态学工具和统计数据(主要是针对Otsu阈值处理,已经为您完成)解决了您的问题。

这是我从您的样本图像获得的,以及从附近发现的一张纸获得的其他图像:

在此处输入图片说明在此处输入图片说明

中值过滤器用于从现在的灰度图像中删除较小的细节。这样做可能会去除发白纸内部的细线,这是很好的,因为这样一来,您最终会得到很小的连接组件,这些组件很容易丢弃。在中值之后,应用形态学梯度(简单地称为dilation - erosion ),然后通过Otsu将结果二值化。形态梯度是保持强边缘的好方法,应更多使用。然后,由于此梯度将增加轮廓宽度,因此应进行形态学细化。现在,您可以丢弃小的组件。

至此,上面的右图(绘制蓝色多边形之前)的效果如下,左图未显示,因为唯一剩下的就是描述纸张的图:

在此处输入图片说明

给定示例,现在剩下的唯一问题是区分看起来像矩形的组件和不看起来像矩形的组件。这是确定包含形状的凸包的面积与其边界框的面积之比的问题。对于这些示例,比率0.7很好。在某些情况下,您还可能需要丢弃纸张内部的组件,但在这些示例中,不必使用此方法(尽管如此,执行此步骤应该非常容易,尤其是因为可以直接通过OpenCV完成)。

作为参考,下面是Mathematica中的示例代码:

f = Import["http://thwartedglamour.files.wordpress.com/2010/06/my-coffee-table-1-sa.jpg"]
f = ImageResize[f, ImageDimensions[f][[1]]/4]
g = MedianFilter[ColorConvert[f, "Grayscale"], 2]
h = DeleteSmallComponents[Thinning[
     Binarize[ImageSubtract[Dilation[g, 1], Erosion[g, 1]]]]]
convexvert = ComponentMeasurements[SelectComponents[
     h, {"ConvexArea", "BoundingBoxArea"}, #1 / #2 > 0.7 &], 
     "ConvexVertices"][[All, 2]]
(* To visualize the blue polygons above: *)
Show[f, Graphics[{EdgeForm[{Blue, Thick}], RGBColor[0, 0, 1, 0.5], 
     Polygon @@ convexvert}]]

如果存在多种情况,其中纸张的矩形定义不那么好,或者该方法将其与其他形状混淆-这些情况可能由于各种原因而发生,但常见的原因是图像获取质量差-然后尝试结合使用-处理步骤与论文“基于窗口式霍夫变换的矩形检测”中描述的工作相同。

收藏
评论

好吧,我来晚了。


在您的图像中,纸张为white ,而背景为colored 。因此,最好将纸张检测为HSV color space Saturation(饱和度)通道。首先参考Wiki HSL_and_HSV 。然后,我将从答案中的大部分想法复制到图像的“检测彩色段”中


主要步骤:

  1. 读入BGR
  2. 将图像从bgr转换为hsv空间
  3. 阈值S通道
  4. 然后找到最大外部轮廓(或根据需要选择CannyHoughLines ,我选择findContours ),以近似得到拐角。

这是我的结果:

在此处输入图片说明


Python程式码(Python 3.5 + OpenCV 3.3):

#!/usr/bin/python3
# 2017.12.20 10:47:28 CST
# 2017.12.20 11:29:30 CST

import cv2
import numpy as np

##(1) read into  bgr-space
img = cv2.imread("test2.jpg")

##(2) convert to hsv-space, then split the channels
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h,s,v = cv2.split(hsv)

##(3) threshold the S channel using adaptive method(`THRESH_OTSU`) or fixed thresh
th, threshed = cv2.threshold(s, 50, 255, cv2.THRESH_BINARY_INV)

##(4) find all the external contours on the threshed S
#_, cnts, _ = cv2.findContours(threshed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cv2.findContours(threshed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]

canvas  = img.copy()
#cv2.drawContours(canvas, cnts, -1, (0,255,0), 1)

## sort and choose the largest contour
cnts = sorted(cnts, key = cv2.contourArea)
cnt = cnts[-1]

## approx the contour, so the get the corner points
arclen = cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, 0.02* arclen, True)
cv2.drawContours(canvas, [cnt], -1, (255,0,0), 1, cv2.LINE_AA)
cv2.drawContours(canvas, [approx], -1, (0, 0, 255), 1, cv2.LINE_AA)

## Ok, you can see the result as tag(6)
cv2.imwrite("detected.png", canvas)

相关答案:

  1. 如何使用OpenCV检测图像中的彩色斑块?
  2. 使用OpenCV在彩色背景上进行边缘检测
  3. OpenCV C ++ / Obj-C:检测一张纸/正方形检测
  4. 如何在不同的OpenCV版本中使用`cv2.findContours`?
收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题