前言

常用的轮廓提取算法有:Canny、阈值分割、提取傅里叶变换的高频信息，还有别具一格的蚁群算法，当然比较常见的作法是使用阈值分割+边缘查找，在OpenCV里是threshold和findContours两个函数的组合使用，和Canny。
轮廓提取的算法很多，而其目的都是为了找到图像中灰阶差比较大的位置。而所谓亚像素提取，则是使用了插值算法，以找出灰阶差最大的位置。

提取傅里叶变换的高频信息

##############
#图像中的轮廓提取
#时间：2019/1/3
#作者：cclplus
#仅供学习交流使用
#如有疑问或者需求，可以联系作者的邮箱
#如果你有什么好的建议或者指导，我将不胜感激import cv2
import numpy as np
from matplotlib import pyplot as plt
import copy
img = cv2.imread('liuyifei.jpg',0)
f = np.fft.fft2(img)
fshift = np.fft.fftshift(f)rows,cols = img.shape
crow,ccol = int(rows/2) , int(cols/2)
for i in range(crow-30,crow+30):for j in range(ccol-30,ccol+30):fshift[i][j]=0.0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)#进行高通滤波
# 取绝对值
img_back = np.abs(img_back)
plt.subplot(121),plt.imshow(img,cmap = 'gray')#因图像格式问题，暂已灰度输出
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
#先对灰度图像进行伽马变换，以提升暗部细节
rows,cols = img_back.shape
gamma=copy.deepcopy(img_back)
rows=img.shape[0]
cols=img.shape[1]
for i in range(rows):for j in range(cols):gamma[i][j]=5.0*pow(gamma[i][j],0.34)#0.34这个参数是我手动调出来的，根据不同的图片，可以选择不同的数值
#对灰度图像进行反转for i in range(rows):for j in range(cols):gamma[i][j]=255-gamma[i][j]
plt.subplot(122),plt.imshow(gamma,cmap = 'gray')
plt.title('Result in HPF'), plt.xticks([]), plt.yticks([])
plt.show()

原图

输出结果

通过蚁群算法进行图片轮廓提取

相关代码我上传到了我的github上
https://github.com/YuruTu/Ant_colony

效果不够理想，这也算得上蚁群算法的一大特点，对参数要求较高，需要调参。相关内容，笔者会持续更新

Canny边缘检测

import cv2
import numpy as np
from matplotlib import pyplot as pltimg = cv2.imread('liuyifei.jpg',0)
edges = cv2.Canny(img,100,200)plt.subplot(121),plt.imshow(img,cmap='gray')
plt.title('original'),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(edges,cmap='gray')
plt.title('edge'),plt.xticks([]),plt.yticks([])plt.show()

使用cuda加速提取轮廓

#include <iostream>
#include <cuda.h>
#include <cstdlib>
#include <stdio.h>
#include <cuda_runtime.h>
#include <string>
#include <assert.h>
#include <cuda_runtime.h>
#include <cuda_runtime_api.h>
#include <device_launch_parameters.h>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>using namespace cv;
using namespace std;
// GPU constant memory to hold our kernels (extremely fast access time)
__constant__ float convolutionKernelStore[256];/*** Convolution funcion para cuda.  Destino tendra el mismo width/height como la fuente,** @param source      Source imagen host* @param width       Source imagen width* @param height      Source imagen height* @param paddingX    source imagen padding x* @param paddingY    source imagen padding y* @param kOffset     offset en kernel almacenamiento de memoria constante* @param kWidth      kernel width* @param kHeight     kernel height* @param destination Imagen de destino*/
__global__ void convolve(unsigned char *source, int width, int height, int paddingX, int paddingY, unsigned int kOffset, int kWidth, int kHeight, unsigned char *destination)
{// Calculate our pixel's locationint x = (blockIdx.x * blockDim.x) + threadIdx.x;int y = (blockIdx.y * blockDim.y) + threadIdx.y;float sum = 0.0;int   pWidth = kWidth / 2;int   pHeight = kHeight / 2;//Solo ejecuta validos pixelesif (x >= pWidth + paddingX && y >= pHeight + paddingY && x < (blockDim.x * gridDim.x) - pWidth - paddingX &&y < (blockDim.y * gridDim.y) - pHeight - paddingY){for (int j = -pHeight; j <= pHeight; j++){for (int i = -pWidth; i <= pWidth; i++){// Sample the weight for this locationint ki = (i + pWidth);int kj = (j + pHeight);float w = convolutionKernelStore[(kj * kWidth) + ki + kOffset];sum += w * float(source[((y + j) * width) + (x + i)]);}}}// Promedio sumdestination[(y * width) + x] = (unsigned char)sum;
}__global__ void pythagoras(unsigned char *a, unsigned char *b, unsigned char *c)
{int idx = (blockIdx.x * blockDim.x) + threadIdx.x;float af = float(a[idx]);float bf = float(b[idx]);c[idx] = (unsigned char)sqrtf(af*af + bf * bf);
}// crea imagen buffer
unsigned char* createImageBuffer(unsigned int bytes, unsigned char **devicePtr)
{unsigned char *ptr = NULL;cudaSetDeviceFlags(cudaDeviceMapHost);cudaHostAlloc(&ptr, bytes, cudaHostAllocMapped);cudaHostGetDevicePointer(devicePtr, ptr, 0);return ptr;
}int main(int argc, char** argv) {// Abre la camarawebcv::VideoCapture camera(0);cv::Mat          frame;if (!camera.isOpened())return -1;// capture windowscv::namedWindow("Source");cv::namedWindow("Greyscale");cv::namedWindow("Blurred");cv::namedWindow("Sobel");// Funciones para obtener el tiempo de ejecucion cudaEvent_t start, stop;cudaEventCreate(&start);cudaEventCreate(&stop);// Crea kernel gaussian(sum = 159)const float gaussianKernel5x5[25] ={2.f / 159.f,  4.f / 159.f,  5.f / 159.f,  4.f / 159.f, 2.f / 159.f,4.f / 159.f,  9.f / 159.f, 12.f / 159.f,  9.f / 159.f, 4.f / 159.f,5.f / 159.f, 12.f / 159.f, 15.f / 159.f, 12.f / 159.f, 5.f / 159.f,4.f / 159.f,  9.f / 159.f, 12.f / 159.f,  9.f / 159.f, 4.f / 159.f,2.f / 159.f,  4.f / 159.f,  5.f / 159.f,  4.f / 159.f, 2.f / 159.f,};cudaMemcpyToSymbol(convolutionKernelStore, gaussianKernel5x5, sizeof(gaussianKernel5x5), 0);const unsigned int gaussianKernel5x5Offset = 0;// Sobel gradient kernelsconst float sobelGradientX[9] ={-1.f, 0.f, 1.f,-2.f, 0.f, 2.f,-1.f, 0.f, 1.f,};const float sobelGradientY[9] ={1.f, 2.f, 1.f,0.f, 0.f, 0.f,-1.f, -2.f, -1.f,};cudaMemcpyToSymbol(convolutionKernelStore, sobelGradientX, sizeof(sobelGradientX), sizeof(gaussianKernel5x5));cudaMemcpyToSymbol(convolutionKernelStore, sobelGradientY, sizeof(sobelGradientY), sizeof(gaussianKernel5x5) + sizeof(sobelGradientX));const unsigned int sobelGradientXOffset = sizeof(gaussianKernel5x5) / sizeof(float);const unsigned int sobelGradientYOffset = sizeof(sobelGradientX) / sizeof(float) + sobelGradientXOffset;// Crea CPU/GPU imagenes compartidoscamera >> frame;unsigned char *sourceDataDevice, *blurredDataDevice, *edgesDataDevice;cv::Mat source(frame.size(), CV_8U, createImageBuffer(frame.size().width * frame.size().height, &sourceDataDevice));cv::Mat blurred(frame.size(), CV_8U, createImageBuffer(frame.size().width * frame.size().height, &blurredDataDevice));cv::Mat edges(frame.size(), CV_8U, createImageBuffer(frame.size().width * frame.size().height, &edgesDataDevice));// Crea 2 imagenes temporales (sobel gradients)unsigned char *deviceGradientX, *deviceGradientY;cudaMalloc(&deviceGradientX, frame.size().width * frame.size().height);cudaMalloc(&deviceGradientY, frame.size().width * frame.size().height);// Loop while captura imageneswhile (1){// Captura la imagen en escala de grisescamera >> frame;cvtColor(frame, source, COLOR_RGB2GRAY);_sleep(1);// Graba el tiempo que demora el procesocudaEventRecord(start);{// convolution kernel  parametrosdim3 cblocks(frame.size().width / 16, frame.size().height / 16);dim3 cthreads(16, 16);// pythagoran kernel parametrosdim3 pblocks(frame.size().width * frame.size().height / 256);dim3 pthreads(256, 1);//  gaussian blur (first kernel in store @ 0)convolve <<<cblocks, cthreads >> > (sourceDataDevice, frame.size().width, frame.size().height, 0, 0, gaussianKernel5x5Offset, 5, 5, blurredDataDevice);// sobel gradient convolutions (x&y padding is now 2 because there is a border of 2 around a 5x5 gaussian filtered image)convolve << <cblocks, cthreads >> > (blurredDataDevice, frame.size().width, frame.size().height, 2, 2, sobelGradientXOffset, 3, 3, deviceGradientX);convolve << <cblocks, cthreads >> > (blurredDataDevice, frame.size().width, frame.size().height, 2, 2, sobelGradientYOffset, 3, 3, deviceGradientY);pythagoras << <pblocks, pthreads >> > (deviceGradientX, deviceGradientY, edgesDataDevice);cudaThreadSynchronize();}cudaEventRecord(stop);// Muestra tiempo de ejecucionfloat ms = 0.0f;cudaEventSynchronize(stop);cudaEventElapsedTime(&ms, start, stop);std::cout << "Elapsed GPU time: " << ms << " milliseconds" << std::endl;// Muestra resultadosimshow("Source", frame);imshow("Greyscale", source);imshow("Blurred", blurred);imshow("Sobel", edges);// Spinif (cv::waitKey(1) == 27) break;}// ExitcudaFreeHost(source.data);cudaFreeHost(blurred.data);cudaFreeHost(edges.data);cudaFree(deviceGradientX);cudaFree(deviceGradientY);return 0;
}

很多时候加上Cuda是有必要的，如果你要使用hough变换之类的时间复杂度比较高的代码，Gpu编程会给你带来多个数量级的加速。

OpenCV图像轮廓提取相关推荐

《OpenCv视觉之眼》Python图像处理十二 :Opencv图像轮廓提取之基于一阶导数的Roberts算法、Prewitt算法及Sobel算法
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
《OpenCv视觉之眼》Python图像处理十四 :Opencv图像轮廓提取之Scharr算法和Canny算法
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
图像轮廓提取算法(Opencv基于C++实现）
Opencv图像轮廓提取 0. 实现结果如下: 1. 打开图像代码 2. 轮廓提取函数 3. 代码实现本文主要实现了图像的轮廓提取,首先先给出直观的轮廓实现结果: 0. 实现结果如下: 1. 打开图 ...
一种新型鱼眼图像轮廓提取算法
from: http://www.scimao.com/read/2307651 摘要:提取鱼眼图像轮廓是利用鱼眼图像的前提.传统提取鱼眼图像轮廓的扫描线逼近法对噪点抑制能力不强,精度差.本 ...
发现你的身形——OpenCV图像轮廓
文章目录写在最前轮廓发现算法边缘检测写在最后写在最前我的意思不是说你长得很胖,emmmm,而是你的轮廓很大. --五星上将詹姆斯下士如是说果然有图没图,理解是不一样的,这就体现了计算机视 ...
OpenCV 图像轮廓检测
本文是OpenCV图像视觉入门之路的第15篇文章,本文详细的介绍了图像轮廓检测的各种操作,例如:轮廓检索模式.轮廓逼近算子等操作. 图像轮廓是具有相同颜色或灰度的连续点的曲线,轮廓在形状分析和物体的检 ...
我的Qt作品（7）使用Qt+OpenCV实现图像轮廓提取，再用三阶贝塞尔曲线拟合成光滑线条/多边形拟合
一.贝塞尔曲线基础知识给一系列顶点,如果只是用直线将其中的各个点依次连接起来,最终形成一个折线图,这种很容易实现.但是现实中事物的变化往往具有连续的特性,即使是给定了一系列离散的点,基于以往的生活经 ...
OPENCV图像轮廓检测
前面在图像转换的时候学到canny算子,可以检测出图像的轮廓信息,但是,该算子检测到的轮廓信息还需要我们手动的用眼睛去识别,而实际工程应用中,我们需要得到轮廓的具体数学信息,这就涉及到今天的主题,图像 ...
pythonopencv提取轮廓区域_Python + Opencv 实现轮廓提取，轮廓区域面积计算
Python + Opencv2 实现轮廓提取,轮廓区域面积计算: 对图像处理时,会遇到这样一个场景:找到图像主体轮廓,这是其一,可能为了凸显轮廓,需要用指定的颜色进行标记:轮廓标记完可能任务还没有结 ...
8.opencv——图像轮廓，霍夫变换
图像轮廓,霍夫变换图像轮廓查找轮廓绘制轮廓轮廓特征 1.轮廓的矩 2.轮廓面积 3.轮廓的长度 4. 轮廓的近似多边形 5.轮廓的凸包 6.轮廓的直边界矩形 7.轮廓的旋转矩形 8.轮廓的最小 ...

OpenCV图像轮廓提取

轮廓提取

前言

提取傅里叶变换的高频信息

通过蚁群算法进行图片轮廓提取

Canny边缘检测

使用cuda加速提取轮廓

OpenCV图像轮廓提取相关推荐

最新文章

热门文章