当前位置：首页 > news >正文

open cv提取水平线与垂直线

news 来源：原创 2024/5/20 20:59:18

形态学操作提取水平线与垂直线的原理方法
图像形态学操作时候,可以通过自定义的结构元素实现结构元素
对输入图像-些对象敏感另外一些对象不敏感,这样就会让敏
感的对象改变而不敏感的对象保留输出。通过使用两个最基本的
形态学操作-膨胀与腐蚀,使用不同的结构元素实现对输入图像
的操作、得到想要的结果

.膨胀，输出的像素值是结构元素覆盖下输入图像的最大像素值
.腐蚀，输出的像素值是结构元素覆盖下输入图像的最小像素值
在这里插入图片描述

举例说明：例如想检测水平线，可以构造一个类型为
MORPH_RECT尺寸为Size(src.cols / 16, 1)
（一个水平细长条矩形模板）的结构元素，
这样经过腐蚀操作，垂直线（二值图像中）
会对其敏感从而消除，水平线受其影响较小，
经过膨胀操作，最终还原图像中的水平线。

结构元素

●上述膨胀与腐蚀过程可以使用任意的结构元素

●常见的形状:矩形、圆、直线、磁盘形状、砖石形状
等各种自定义形状
在这里插入图片描述

提取步骤

1.输入彩色图像imread
2.转换为灰度图像cvtCOLOR
3.转换为二值图像adaptiveThreshold
4.定义结构元素getStructuringElement
5.开操作（腐蚀+膨胀）提取水平与垂直线

cv::morphologyEx() 形态学操作函数
void cv::adaptiveThreshold(
cv::InputArray src, // 输入图像
double maxValue, // 向上最大值 255
int adaptiveMethod, // 自适应方法，平均或高斯 mean&gussian
int thresholdType // 阈值化类型 THRESH_BINARY
int blockSize, // 块大小
double C // 常量可以为负数

基本流程

1.首先要确保图片为灰度单通道的图片方便二值化的处理 cvtcolor
2.按照图片的亮度均匀程度进行分类二值化(亮度差大的采取自适应阀门二值化（需要取反导入图片）,差不大的使用全局阀门二值化)
所使用API adaptiveThreshold&threshold

3.获取合适的结构元素为接下来的形态学开操作做准备(水平线与垂直线各自需要一个结构元素)
所使用API getStructuringElement

4.对设置好结构元素图片进行开操作(先膨胀后腐蚀)
5.混合图片并进行模糊化处理 增强视觉效果
6.有需求时对图片进行去取反操作(目的是与原图保持一致)

#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui_c.h>
#include <iostream>

using namespace cv;
using namespace std;

Mat dst,src,HLINE,VLINE,MIX,ABC;

int Osize = 3;
int Oosize = 3;
int Msize = 21;
int Tsize=1;
float alpha = 0.5;

void HlineVline(int, void*);

int main()
{
	src = imread("D:/实验台/机器视觉/测试图片/二值化操作.jpg",IMREAD_GRAYSCALE);//灰度加载
	if (!src.data)
	{
		cout << "无法导入" << endl;
		return -1;
	}
	imshow("原图",src);

	namedWindow("水平线",CV_WINDOW_AUTOSIZE);
	createTrackbar("结构元素", "水平线", &Osize, Msize, HlineVline);
	createTrackbar("二值化参数", "水平线", &Oosize, Msize, HlineVline);
	HlineVline(0,0);
	waitKey(0);
}




//灰色衬衫的轮廓显示及其调节
//二值化-梯度操作获取-混合原图-实现
void  OutLineofGrayShirt(int, void*)
{
	Tsize = 210;
	int s = Oosize * 2 + 1;
	threshold(src, dst, Tsize, 255, THRESH_BINARY);
	Mat SE = getStructuringElement(MORPH_RECT,Size(s,s),Point(-1,-1));
	morphologyEx(dst,dst,CV_MOP_GRADIENT,SE);
	addWeighted(dst,alpha,src,(1-alpha),0.0,dst1);
	//adaptiveThreshold(src, dst, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, Tsize, -2);
	imshow("原图",dst);
	imshow("结果",dst1);
	return;
}


//提取水平线与水直线

void HlineVline(int, void*)
{



	Tsize = Osize * 32;//全局阀值化调节&形态学结构元素体调节
	//threshold(src, dst, Tsize, 255, THRESH_BINARY);
	///全局阀值化 只能全局调节

	int s = Oosize * 2 + 1;
	//自适应阀值化卷积核调节
	adaptiveThreshold(~src, dst, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, s, -2);
	//自适应阀值化(输入图片,输出图片,二值化最大值,自适应算法,阀值类型,邻域块大小,权重);

	//自适应阀值化 ~src灰度图取反，会让灰度图中的黑色线条像素值较高大于阈值，二值化后变成明显的白条。
	//适用于亮度不均衡的图片 按照领域块大小s 及 权重-2进行局部调节

	Mat hline = getStructuringElement(MORPH_RECT, Size(src.cols / Tsize, 1), Point(-1, -1));
	//水平结构元素 获得一个水平的结构元素(长条状结构元素进行膨胀覆盖了竖线条)，Size(列，行);
	Mat vline = getStructuringElement(MORPH_RECT,Size(1,src.rows/Tsize), Point(-1, -1));//水平线
	//垂直结构元素 获得一个垂直的结构元素
	
	//Mat temp;//先膨胀再腐蚀
	//erode(dst,temp,vline);膨胀操作
	//dilate(temp, dst, vline);腐蚀操作 
	//这两个基本操作 等效于形态学操作的开操作

	morphologyEx(dst, HLINE, CV_MOP_OPEN, hline);
	morphologyEx(dst, VLINE, CV_MOP_OPEN, vline);
	//膨胀(用设定的长条状结构元素进行膨胀此时水平线受影响最小)后腐蚀(让受影响的水平线进行腐蚀恢复水平线宽度) 获取横（竖）线条，用hline（vline）结构元素进行开操作

	//bitwise_not(HLINE,HLINE);//二值化反差 黑变白 变回原图配色
	//bitwise_not(VLINE, VLINE);//二值化反差 直接在图片前面取反也可以实现

	imshow("水平线",~HLINE);
	imshow("垂直线",~VLINE);
	addWeighted(HLINE, alpha, VLINE, (1 - alpha), 0.0, MIX);//水平线水直线混合显示 复原原图
	blur(MIX, MIX, Size(3,3),Point(-1,-1));//模糊图像进行边缘柔化美化图像
	imshow("混合",MIX);

	imshow("二值化",dst); 
	return;
}

去掉干扰线显示字母

void CleanABC(int, void*)
{
	int s = Oosize * 2 + 1;//形态操作卷积核调节
	adaptiveThreshold(~src, dst, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 15, -2);//自适应阀门；
	Mat kernel = getStructuringElement(MORPH_RECT, Size(s, s), Point(-1, -1));
	morphologyEx(dst, ABC, CV_MOP_OPEN, kernel);
	//形态学操作在使用前必须确保预处理图像为二值化图像 否则会报错
	imshow("字母去干扰线", ABC);//用于去掉OCR识别的干扰线
	return;
}

在这里插入图片描述

在图像阈值化操作中，更关注的是从二值化图像中，
分离目标区域和背景区域，但是仅仅通过设定固定阈值很难达到理想的分割效果

它的思想不是计算全局图像的阈值，而是根据图像不同区域亮度分布，
计算其局部阈值，所以对于图像不同区域，能够自适应计算不同的阈值
因此被称为自适应阈值法。(其实就是局部阈值法)对光照不均匀的图像尤其适用。
adaptiveThreshold(~src, dst, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY,s, -2);

第一个参数：输入的灰度图像
第二个参数：传出的二值图像
第三个参数：二值图像最大值
第四个参数：指定自适应阈值算法。可选择ADAPTIVE_THRESH_MEAN_C 或 ADAPTIVE_THRESH_GAUSSIAN_C其中一种。
第五个参数：指定阈值类型。可选择THRESH_BINARY或者THRESH_BINARY_INV其中一种。（即二进制阈值或反二进制阈值）。
第六个参数：表示邻域块大小，用来计算区域阈值，一般选择为3、5、7…等。
第七个参数：参数C表示与算法有关的参数，它是一个从均值或加权均值提取的常数，可以是负数。

基于自适应阈值二值化API adaptiveThreshold的直线提取效果
在这里插入图片描述

cv::adaptiveThreshold()支持两种自适应方法
即cv::ADAPTIVE_THRESH_MEAN_C（平均）
和cv::ADAPTIVE_THRESH_GAUSSIAN_C（高斯）
在两种情况下，自适应阈值T(x, y)。
通过计算每个像素周围bxb大小像素块的加权均值并减去常量C得到
其中，b由blockSize给出，大小必须为奇数；如果使用平均的方法，
则所有像素周围的权值相同；如果使用高斯的方法，则（x,y）
周围的像素的权值则根据其到中心点的距离通过高斯方程得到

二值化阈值类型
在这里插入图片描述