OpenCV学习笔记（14）：形态学滤波对图像进行边缘及角点检测

</pre><pre name="code" class="cpp">#include "stdafx.h"
#include<opencv2/opencv.hpp>
using namespace cv;class MorphoFeatures{private://用于生成二值图像的阈值int threshold;//角点检测用到的结构元素Mat cross;Mat diamond;Mat square;Mat x;public://检测角点//opencv没有直接实现它，需要定义四种不同的结构元素，//包括：菱形，方形，十字形，x形。并在构造函数中完成MorphoFeatures() :threshold(-1),cross(5, 5, CV_8U, Scalar(0)),diamond(5, 5, CV_8U, Scalar(1)),square(5, 5, CV_8U, Scalar(1)),x(5, 5, CV_8U, Scalar(0)){//创建十字形元素for (int i = 0; i < 5; i++){cross.at<uchar>(2, i) = 1;cross.at<uchar>(i, 2) = 1;}//创建菱形diamond.at<uchar>(0, 0) = 0;diamond.at<uchar>(0, 1) = 0;diamond.at<uchar>(1, 0) = 0;diamond.at<uchar>(4, 4) = 0;diamond.at<uchar>(3, 4) = 0;diamond.at<uchar>(4, 3) = 0;diamond.at<uchar>(4, 0) = 0;diamond.at<uchar>(4, 1) = 0;diamond.at<uchar>(3, 0) = 0;diamond.at<uchar>(0, 4) = 0;diamond.at<uchar>(0, 3) = 0;diamond.at<uchar>(1, 4) = 0;//创建x形for (int i = 0; i < 5; i++){x.at<char>(i, i) = 1;x.at<char>(4 - i, i) = 1;}}Mat getEdges(const Mat &image){//得到梯度图Mat result;//morphology函数配上合适的滤波器就可以实现直线检测morphologyEx(image, result, MORPH_GRADIENT, Mat());applyThreshold(result);return result;}void setThreshold(int t){threshold = t;}void applyThreshold(Mat & result){if (threshold > 0)cv::threshold(result, result, threshold, 255, THRESH_BINARY);}//需要连接使用这些结构元素，得到最终的角点映射图Mat getCorners(const Mat&image){Mat result;//十字形膨胀dilate(image, result, cross);//菱形腐蚀erode(result, result, diamond);Mat result2;//x形膨胀dilate(image, result2, x);//方形腐蚀erode(result2, result2, square);//通过对两张图像做差值，得到角点图像absdiff(result2, result, result);//阈值化得到二值图像applyThreshold(result);return result;}//为了可视化，在在二值图像中每个监测点绘制一个圆void drawOnImage(const Mat & binary, Mat & image){Mat_<uchar>::const_iterator it = binary.begin<uchar>();Mat_<uchar>::const_iterator itend = binary.end<uchar>();//遍历每个像素for (int i = 0; it != itend; ++i, ++it){if (!*it)circle(image, Point(i%image.step, i / image.step), 5, Scalar(0, 255, 0));}}
};
int _tmain(int argc, _TCHAR* argv[])
{//直线检测Mat image = imread("building.jpg", 0);//imshow("d", image);if (!image.data)return -1;MorphoFeatures morpho;morpho.setThreshold(40);Mat edges;edges = morpho.getEdges(image);imshow("d", edges);//角点检测morpho.setThreshold(-1);Mat corners;corners = morpho.getCorners(image);morphologyEx(corners, corners, MORPH_TOPHAT, Mat());threshold(corners, corners, 40, 255, THRESH_BINARY_INV);//imshow("角点",corners);  //展示图片上的角点  morpho.drawOnImage(corners, image);imshow("jj", image);waitKey(0);return 0;
}

首先如何理解对灰度图像进行形态学操作？

一种比较形象的方法是将灰度图像看做是“等高线”：亮的区域代表山峰，而暗的区域代表山谷，图像的边沿就对应于峭壁。如果腐蚀一幅图像，会导致山谷被扩展，而峭壁减少了。相反的，如果膨胀一幅图像，峭壁则会增加。但是这两种情况下，中间的部分（大片的谷底和高原）基本保持不变。

在上述理解的基础上，如果我们对图像的腐蚀和膨胀的结果做差，就能提取图像的边界：因为边界区域，二者完全不同。（实际上，我们也可以用腐蚀或者膨胀的结果与源图像做差得出类似结果，但提取的边界会比较细）。可以看出，结构元越大，边界越粗。在OpenCV中，将形态学操作函数morphologyEx 的第4个参数设为MORPH_GRADIENT，就能完成上述工作。

开运算可以用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。

闭运算能够排除小型黑洞(黑色区域)

形态学梯度（Morphological Gradient）为膨胀图与腐蚀图之差，对二值图像进行这一操作可以将团块（blob）的边缘突出出来。我们可以用形态学梯度来保留物体的边缘轮廓

顶帽运算（Top Hat）为原图像与“开运算“的结果图之差，因为开运算带来的结果是放大了裂缝或者局部低亮度的区域，因此，从原图中减去开运算后的图，得到的效果图突出了比原图轮廓周围的区域更明亮的区域，且这一操作和选择的核的大小相关。顶帽运算往往用来分离比邻近点亮一些的斑块。当一幅图像具有大幅的背景的时候，而微小物品比较有规律的情况下，可以使用顶帽运算进行背景提取。
黑帽（Black Hat）运算为”闭运算“的结果图与原图像之差，黑帽运算后的效果图突出了比原图轮廓周围的区域更暗的区域，且这一操作和选择的核的大小相关。所以，黑帽运算用来分离比邻近点暗一些的斑块。

void cv::morphologyEx( InputArray _src, OutputArray _dst, int op,InputArray kernel, Point anchor, int iterations,int borderType, const Scalar& borderValue )
{Mat src = _src.getMat(), temp;_dst.create(src.size(), src.type());Mat dst = _dst.getMat();switch( op ){case MORPH_ERODE:erode( src, dst, kernel, anchor, iterations, borderType, borderValue );break;case MORPH_DILATE:dilate( src, dst, kernel, anchor, iterations, borderType, borderValue );break;case MORPH_OPEN:erode( src, dst, kernel, anchor, iterations, borderType, borderValue );dilate( dst, dst, kernel, anchor, iterations, borderType, borderValue );break;case CV_MOP_CLOSE:dilate( src, dst, kernel, anchor, iterations, borderType, borderValue );erode( dst, dst, kernel, anchor, iterations, borderType, borderValue );break;case CV_MOP_GRADIENT:erode( src, temp, kernel, anchor, iterations, borderType, borderValue );dilate( src, dst, kernel, anchor, iterations, borderType, borderValue );dst -= temp;break;case CV_MOP_TOPHAT:if( src.data != dst.data )temp = dst;erode( src, temp, kernel, anchor, iterations, borderType, borderValue );dilate( temp, temp, kernel, anchor, iterations, borderType, borderValue );dst = src - temp;break;case CV_MOP_BLACKHAT:if( src.data != dst.data )temp = dst;dilate( src, temp, kernel, anchor, iterations, borderType, borderValue );erode( temp, temp, kernel, anchor, iterations, borderType, borderValue );dst = temp - src;break;default:CV_Error( CV_StsBadArg, "unknown morphological operation" );}
}

第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。图像位深应该为以下五种之一：CV_8U, CV_16U,CV_16S, CV_32F 或CV_64F。
第二个参数，OutputArray类型的dst，即目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型。
第三个参数，int类型的op，表示形态学运算的类型，可以是如下之一的标识符：
- MORPH_OPEN – 开运算（Opening operation）
- MORPH_CLOSE – 闭运算（Closing operation）
- MORPH_GRADIENT -形态学梯度（Morphological gradient）
- MORPH_TOPHAT - “顶帽”（“Top hat”）
- MORPH_BLACKHAT - “黑帽”（“Black hat“）

第四个参数，InputArray类型的kernel，形态学运算的内核。若为NULL时，表示的是使用参考点位于中心3x3的核。我们一般使用函数 getStructuringElement配合这个参数的使用。getStructuringElement函数会返回指定形状和尺寸的结构元素（内核矩阵）。关于getStructuringElement我们上篇文章中讲过了，这里为了大家参阅方便，再写一遍：

其中，getStructuringElement函数的第一个参数表示内核的形状，我们可以选择如下三种形状之一:

矩形: MORPH_RECT
交叉形: MORPH_CROSS
椭圆形: MORPH_ELLIPSE

而getStructuringElement函数的第二和第三个参数分别是内核的尺寸以及锚点的位置。

我们一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得getStructuringElement函数的返回值。对于锚点的位置，有默认值Point(-1,-1)，表示锚点位于中心。且需要注意，十字形的element形状唯一依赖于锚点的位置。而在其他情况下，锚点只是影响了形态学运算结果的偏移。

getStructuringElement函数相关的调用示例代码如下：

int g_nStructElementSize = 3; //结构元素(内核矩阵)的尺寸//获取自定义核
Mat element =getStructuringElement(MORPH_RECT,Size(2*g_nStructElementSize+1,2*g_nStructElementSize+1),Point(g_nStructElementSize, g_nStructElementSize ));

调用这样之后，我们便可以在接下来调用erode、dilate或morphologyEx 函数时，kernel参数填保存getStructuringElement返回值的Mat类型变量。对应于我们上面的示例，就是填element变量。

第五个参数，Point类型的anchor，锚的位置，其有默认值（-1，-1），表示锚位于中心。
第六个参数，int类型的iterations，迭代使用函数的次数，默认值为1。
第七个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_ CONSTANT。
第八个参数，const Scalar&类型的borderValue，当边界为常数时的边界值，有默认值morphologyDefaultBorderValue()，一般我们不用去管他。需要用到它时，可以看官方文档中的createMorphologyFilter()函数得到更详细的解释。

OpenCV学习笔记（14）：形态学滤波对图像进行边缘及角点检测相关推荐

Opencv开发笔记(三):使用形态学滤波对图像进行边缘及角点检测
形态学滤波可以用于检测图像中指定的特征点,接下来这篇文章我们运用Opencv中的形态学函数来检测灰度图中的直角和角点. 首先我们为了方便使用先封装一个名称为MorphoFeatures的类,然后就可以 ...
OpenCV学习笔记（十六）——CamShift研究 OpenCV学习笔记（十七）——运动分析和物体跟踪Video OpenCV学习笔记（十八）——图像的各种变换（cvtColor*+）imgproc
OpenCV学习笔记(十六)--CamShift研究 CamShitf算法,即Continuously Apative Mean-Shift算法,基本思想就是对视频图像的多帧进行MeanShift运算 ...
OpenCV学习笔记（十七）：图像修补：inpaint()
OpenCV学习笔记(十七):图像修补:inpaint() inpaint()函数使用区域邻域在图像中还原选定区域. void inpaint( InputArray src, // 表示要修复的图 ...
OpenCV学习笔记（十）：图像金字塔Pyramid和图像缩放：pyrDown(),pyrUp(),resize()
OpenCV学习笔记(十):图像金字塔Pyramid和图像缩放:pyrDown(),pyrUp(),resize() 一.图像金字塔定义: 图像金字塔是图像中多尺度表达的一种,最主要用于图像的分割,是 ...
OpenCV学习笔记（三）：图像对比度、亮度调整源码
OpenCV学习笔记(三):图像对比度.亮度调整源码主函数: #include <opencv2/opencv.hpp>using namespace cv;using namespac ...
opencv学习笔记14：图像礼帽，图像黑帽
python + OpenCV 图像礼帽图像礼帽也叫图像顶帽礼帽图像=原始图像-开运算图像得到噪声图像开运算:先腐蚀再膨胀使用对象:二值图像使用方法:morphologyEx cv2.M ...
Opencv学习笔记（二）提取图像中的水平线和垂直线
提取图像中的水平线和垂直线属于基础的形态学操作的应用,原理:根据要提取图形来定义一个特定的结构元素,然后以这个结构相素去遍历图像,进行一系列形态学操作,以此过滤掉其他特征的图形,达到提取的效果. 示例 ...
OpenCV + CPP 系列（卅三）图像特征提取（Harris角点检测、Shi-Tomasi角点检测、自定义角点检测）
文章目录一.常用图像特征描述二.Harris角点检测演示Harris角点检测三.Shi-Tomasi角点检测四.自定义角点检测器一.常用图像特征描述 SIFT.SURF.HOG.Haar. ...
【OpenCV学习笔记】之六手写图像旋转函数---万丈高楼平地起
话说,平凡之处显真格,这一点也没错! 比如,对旋转图像进行双线性插值,很简单吧? 可,对我,折腾了大半天,也没有达到预期效果! 尤其是三个误区让我抓瞎好久: 1,坐标旋转公式. 这东西,要用 ...

OpenCV学习笔记（14）：形态学滤波对图像进行边缘及角点检测

OpenCV学习笔记（14）：形态学滤波对图像进行边缘及角点检测相关推荐

最新文章

热门文章