C++ 确定阈值参数的正确方法
我正在尝试实时查找三角形(蓝色轮廓)和梯形(黄色轮廓)。总的来说没关系C++ 确定阈值参数的正确方法,c++,opencv,C++,Opencv,我正在尝试实时查找三角形(蓝色轮廓)和梯形(黄色轮廓)。总的来说没关系 但也存在一些问题。首先是误报。三角形变成梯形,反之亦然。我不知道如何解决这个问题。 其次是“噪音”。我试图检查图形的面积,但噪音可以等于面积。因此,这没有多大帮助。噪声取决于阈值参数cv::adaptiveThreshold根本没有帮助。它增加了更多的噪音(而且速度很慢)侵蚀和扩张无法以适当的方式修复它 这是我的密码 cv::Mat detect(cv::Mat imageRGB) { //RGB -> GRA
但也存在一些问题。首先是误报。三角形变成梯形,反之亦然。我不知道如何解决这个问题。 其次是“噪音”。我试图检查图形的面积,但噪音可以等于面积。因此,这没有多大帮助。噪声取决于阈值参数<代码>cv::adaptiveThreshold根本没有帮助。它增加了更多的噪音(而且速度很慢)
侵蚀
和扩张
无法以适当的方式修复它
这是我的密码
cv::Mat detect(cv::Mat imageRGB)
{
//RGB -> GRAY
cv::Mat imageGray;
cv::cvtColor(imageRGB, imageGray, CV_BGR2GRAY);
//Bluring it
cv::Mat image;
cv::GaussianBlur(imageGray, image, cv::Size(5,5), 2);
//Thresholding
cv::threshold(image, image, 100, 255, CV_THRESH_BINARY_INV);
//SLOW and NOISE
//cv::adaptiveThreshold(image, image, 255.0, CV_ADAPTIVE_THRESH_GAUSSIAN_C, CV_THRESH_BINARY, 21, 0);
//Calculating canny params.
cv::Scalar mu;
cv::Scalar sigma;
cv::meanStdDev(image, mu, sigma);
cv::Mat imageCanny;
cv::Canny(image,
imageCanny,
mu.val[0] + sigma.val[0],
mu.val[0] - sigma.val[0]);
//Detecting conturs.
std::vector<std::vector<cv::Point> > contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(imageCanny, contours, hierarchy,CV_RETR_TREE, CV_CHAIN_APPROX_NONE);
//Hierarchy is not needed here so clear it.
hierarchy.clear();
for (std::size_t i = 0; i < contours.size(); i++)
{
//fitEllipse need at last 5 points.
if (contours.at(i).size() < 5)
{
continue;
}
//Skip small contours.
if (std::fabs(cv::contourArea(contours.at(i))) < 800.0)
{
continue;
}
//Calculating RotatedRect from contours NOT from hull
//because fitEllipse need at last 5 points.
cv::RotatedRect bEllipse = cv::fitEllipse(contours.at(i));
//Finds the convex hull of a point set.
std::vector<cv::Point> hull;
cv::convexHull(contours.at(i), hull, true);
//Approx it, so we'll get 3 point for triangles
//and 4 points for trapez.
cv::approxPolyDP(hull, hull, 15, true);
//Is our contour convex. It's mast be.
if (!cv::isContourConvex(hull))
{
continue;
}
//Triangle
if (hull.size() == 3)
{
cv::drawContours(imageRGB, contours, i, cv::Scalar(255, 0, 0), 2);
cv::circle(imageRGB, bEllipse.center, 3, cv::Scalar(0, 255, 0), 2);
}
//trapez
if (hull.size() == 4)
{
cv::drawContours(imageRGB, contours, i, cv::Scalar(0, 255, 255), 2);
cv::circle(imageRGB, bEllipse.center, 3, cv::Scalar(0, 0, 255), 2);
}
}
return imageRGB;
}
cv::Mat检测(cv::Mat imageRGB)
{
//RGB->灰色
cv::灰色;
cv::CVT颜色(imageRGB、imageGray、cv_BGR2GRAY);
//模糊它
cv::Mat图像;
cv::高斯模糊(图像灰度,图像,cv::大小(5,5),2);
//阈值
cv::阈值(图像,图像,100255,cv\u阈值\u二进制\u INV);
//慢而嘈杂
//cv::adaptiveThreshold(图像,图像,255.0,cv_ADAPTIVE_THRESH_GAUSSIAN_C,cv_THRESH_BINARY,21,0);
//计算精明的参数。
cv::标量μ;
标量西格玛;
cv::meanStdDev(图像、mu、sigma);
cv::Mat imageCanny;
cv::Canny(图片,
伊格坎尼,
μval[0]+σval[0],
μval[0]-sigma.val[0]);
//检测接触。
矢量轮廓;
向量层次;
cv::findContours(图像扫描、轮廓、层次、cv树、cv链、近似无);
//这里不需要层次结构,所以要清楚。
hierarchy.clear();
对于(std::size_t i=0;i
所以。。。一般来说,所有问题都是由错误的阈值参数引起的,我如何才能以正确的方式(当然是自动地)计算它?我怎样才能(哈哈,对不起我的英语)防止误报呢?我想你应该试试大津的二值化——这是一个理论,一幅很好的图片,也是一个文档。这种阈值化通常是试图在图像中找到两个最常见的值,并使用它们的平均值作为阈值 P>可选地考虑使用HSV颜色空间,可以更容易地区分黑白区域与其他区域。另一个想法是使用inRange函数(在RGB或HSV颜色空间中-应在woth情况下工作)-您需要找到两个范围(一个来自黑色区域,一个用于白色),并仅搜索这些区域(使用inRange函数)-查看 完成此任务的另一种方法可能是使用某个库进行blob提取,或者是OpenCV的一部分 区分三角形和梯形-我在这里看到了两种改进解决方案的基本方法:
- 在这行
cv::approxPolyDP(hull,hull,15,true)代码>使第三个参数(在这种情况下为15)不是一个常量值,而是轮廓区域或长度的一部分。当然,它应该适应轮廓大小,它不能只是一个canstant值。如果不进行测试,很难说如何计算它——试着从轮廓面积或长度的1-5%开始(我会从长度开始,但这只是我的猜测),看看这个值是否合适/到大/到小,如果需要,检查其他值。不幸的是,没有其他方法,但是手动找到这个方程不需要很长时间
- 当您有4或5个点时,计算连接连续点的直线方程(点1与点2,点2与点3,等等,不要忘记计算第一点和最后一点之间的直线),然后检查这些直线中的任何两条是否平行(或至少接近平行-它们之间的角度接近0度)-如果发现任何平行线,则该轮廓为梯形,否则为三角形