Image processing 如何识别图像中的不同对象？

我打算写一个程序，从一个近乎坚实的背景中检测和区分某些物体。前景和背景有一个高对比度的差异，我会进一步增加，以帮助在对象识别过程。我计划使用Hough变换技术和OpenCV

---

如上图所示，我想分别识别圆形对象和方形对象（或有限形状集合中的任何其他形状）。因为我对图像处理还比较陌生，所以我不知道这种情况是否需要神经网络来实现，是否需要事先学习每个形状。模板匹配之类的技术能让我不用神经网络就可以做到这一点吗？

这些帖子会让你开始：

• （高级方形检测）

---

您可能需要调整这些代码中的一些参数以匹配圆/正方形，但这些示例中显示了该技术的核心。

如果您想检测除圆以外的形状（我假设您是这样做的），我建议使用倒角匹配来快速启动，尤其是你的对比度很好

用简单的术语解释的基本前提如下：

执行边缘检测（例如，在opencv中执行

cvCanny

）

创建距离图像，其中每个像素的值表示距离最近的边的距离

获取要检测的形状，沿形状的边缘定义采样点，并尝试在距离图像上匹配这些点。基本上，您只需在距离图像上添加值，这些值位于给定对象特定位置的采样点坐标下

找到一个好的最小化算法，其有效性取决于您的应用

这种基本方法是一种通用的解决方案，通常效果很好，但是如果没有进一步的改进，它会非常缓慢

通常，首先分离感兴趣的对象是个好主意，这样您就不必总是对整个图像进行完整搜索。找到一个好的

阈值

，以便可以分离对象。您仍然不知道它是哪个对象，但您只需要在该对象附近进行匹配

另一个好主意是，与其在高分辨率图像上进行完全搜索，不如先在非常低的分辨率上进行搜索。结果不会非常准确，但您可以知道哪些区域值得在更高分辨率上进行搜索，这样您就不会在没有任何感兴趣的区域浪费时间

---

有许多更高级的技术，但仍然值得一看基本的倒角匹配，因为它是大量技术的基础

假设对象是简单的形状，下面是一种使用阈值+轮廓近似的方法。轮廓近似是基于这样的假设，即曲线可以由一系列短线段近似，这些线段可用于确定轮廓的形状。例如，三角形有三个顶点，正方形/矩形有四个顶点，五边形有五个顶点，等等

获取二值图像。我们加载图像，转换为灰度、高斯模糊，然后获取二值图像

检测形状。使用轮廓近似过滤查找轮廓并识别每个轮廓的形状。这可以通过计算轮廓周长和获得实际轮廓近似值来实现

---

输入图像

检测到以绿色亮显的对象

标记轮廓

代码

导入cv2
def检测_形（c）：
#计算轮廓周长并执行轮廓近似
shape=“”
peri=cv2.弧长（c，真）
近似值=cv2.近似聚合度（c，0.04*peri，真）
#三角
如果len（近似值）=3：
shape=“三角形”
#正方形还是长方形
elif len（近似值）=4：
（x，y，w，h）=cv2.边界矩形（近似值）
ar=w/浮子（h）
#正方形的纵横比大约为
#等于1，否则，形状为矩形
shape=“square”如果ar>=0.95且ar
import cv2

def detect_shape(c):
    # Compute perimeter of contour and perform contour approximation
    shape = ""
    peri = cv2.arcLength(c, True)
    approx = cv2.approxPolyDP(c, 0.04 * peri, True)

    # Triangle
    if len(approx) == 3:
        shape = "triangle"

    # Square or rectangle
    elif len(approx) == 4:
        (x, y, w, h) = cv2.boundingRect(approx)
        ar = w / float(h)

        # A square will have an aspect ratio that is approximately
        # equal to one, otherwise, the shape is a rectangle
        shape = "square" if ar >= 0.95 and ar <= 1.05 else "rectangle"

    # Star
    elif len(approx) == 10:
        shape = "star"

    # Otherwise assume as circle or oval
    else:
        shape = "circle"

    return shape

# Load image, grayscale, Gaussian blur, and adaptive threshold
image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (7,7), 0)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,31,3)

# Find contours and detect shape
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    # Identify shape
    shape = detect_shape(c)

    # Find centroid and label shape name
    M = cv2.moments(c)
    cX = int(M["m10"] / M["m00"])
    cY = int(M["m01"] / M["m00"])
    cv2.putText(image, shape, (cX - 20, cY), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (36,255,12), 2)

cv2.imshow('thresh', thresh)
cv2.imshow('image', image)
cv2.waitKey()