Opencv图像识别

原创已于 2023-01-06 22:03:25 修改 · 2.4w 阅读

99 ·

CC 4.0 BY-SA版权

文章标签：

#算法

于 2022-04-01 22:33:26 首次发布

本文介绍了如何使用OpenCV进行轮廓检测和边缘检测，以识别图像中的特征。首先，通过灰度图直接提取轮廓，然后通过二值化处理优化轮廓检测。接着，使用Canny算子进行边缘检测，得到清晰的边缘图像。最后，展示了如何识别固定位置的色块，通过下采样和像素值判断实现目标识别。这些技术在图像分析和处理中有着广泛应用。

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家：

点击跳转

一，轮廓检测

二，边缘检测

一，轮廓检测

以下图为例：

灰度图直接提取轮廓：

int main()
{
	Mat img = imread("D:/1.png", 0);
	resize(img, img, Size(0, 0), 0.5, 0.5);
	Mat src=img;
	cv::imshow("src", src);
	std::vector<std::vector<Point>> contours;
	std::vector<Vec4i> hierarchy;
	findContours(src, contours, hierarchy, RETR_LIST, CHAIN_APPROX_NONE, Point(0, 0));
	cout << contours.size()<<endl;
	//sort(contours.begin(), contours.end(), cmp< Point>);
	//for (int i = 0; i < contours.size(); i++)cout << contours[i].size() << " ";
	src = 0;
	cv::drawContours(src, contours, -1, cv::Scalar::all(255));
	cv::imshow("Contours", src);
	cv::waitKey(0);
	return 0;
}

得到的轮廓数量是1，即整个图的最外面的轮廓。

优化思路：先进行一定的二值化处理。

int main()
{
	Mat img = imread("D:/1.png", 0);
	resize(img, img, Size(0, 0), 0.5, 0.5);
	Mat src;
	threshold(img, src, 200, 255, THRESH_TRUNC);
	threshold(src, src, 100, 255, THRESH_TOZERO);
	cv::imshow("src", src);
	std::vector<std::vector<Point>> contours;
	std::vector<Vec4i> hierarchy;
	findContours(src, contours, hierarchy, RETR_LIST, CHAIN_APPROX_NONE, Point(0, 0));
	cout << contours.size()<<endl;
	//sort(contours.begin(), contours.end(), cmp< Point>);
	//for (int i = 0; i < contours.size(); i++)cout << contours[i].size() << " ";
	src = 0;
	cv::drawContours(src, contours, -1, cv::Scalar::all(255));
	cv::imshow("Contours", src);
	cv::waitKey(0);
	return 0;
}

一般提取轮廓前，先做一下边缘检测更好。

边缘检测偏向于图像中像素点的变化，轮廓检测更偏向于关注上层语义对象。

二，边缘检测

利用Canny算子做边缘检测：

int main()
{
	Mat img = imread("D:/1.png", 0);
	resize(img, img, Size(0, 0), 0.5, 0.5);
	Mat src;
	threshold(img, src, 200, 255, THRESH_TRUNC);
	threshold(src, src, 100, 255, THRESH_TOZERO);
	Canny(src, src, 200, 100, 3);
	cv::imshow("src", src);
	cv::waitKey(0);
	return 0;
}