目标图片如下:
基本思路为:
1.使用开闭运算,对图像进行处理,因为该图像如果直接使用轮廓检测的话,会有许多杂乱的轮廓线
cv::Mat element_open = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(17, 17)); // 这里的size根据图像情况设定
cv::morphologyEx(image, image, cv::MORPH_OPEN, element_open);
cv::Mat element_close = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(7, 7));
cv::morphologyEx(image, image, cv::MORPH_CLOSE, element_close);
处理后的图像是这样的
2.然后使用阈值分割
cv::threshold(image, image, 120, 255, cv::THRESH_BINARY);
3.使用Laplace变换找到轮廓线
cv::Mat kenerl = (cv::Mat_<float>(3, 3) << 0, 1, 0, 1, -4, 1, 0, 1, 0);
cv::filter2D(image, image, image.type(), kenerl);
4.最后对轮廓线进行筛选
float targetArea = 3.14 * 1400 * 1400;
std::vector<std::vector<cv::Point>> reslutContours;
// 计算轮廓的面积
for (size_t i = 0; i < contours.size(); i++) {
// 计算轮廓的面积和周长
double area = contourArea(contours[i]);
double perimeter = arcLength(contours[i], true);
// 计算圆形度
double circularity = (4 * 3.1415926 * area) / (perimeter * perimeter);
// 如果圆形度不满足要求或者面积不在targetArea*[0.5,1.2]区间内,则跳过
//if (circularity < 0.8) {
// continue;
//}
if (!(targetArea * 0.25 <= area && area <= targetArea * 1.44)) {
continue;
}
reslutContours.push_back(contours[i]);
}
cv::Mat result = cv::Mat::zeros