作者：翟天保Steven
版权声明：著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处

实现原理

物体识别是图像处理学在现实生活中较多的应用之一，目前最为流行的就是运用AI、机器学习等技术结合图像处理学，大量训练数据集，以实现智能且精确的识别。说到人工智能，很多人可能觉得它非常深奥和复杂，其实说白了它最底层的识别逻辑还是基于普通的图像分析，像特征提取、轮廓分析、比对分析等等，再在庞大的数据集中按照相似程度，分析出一个最可能的结果。

本文提供了一种相对简单的思路来实现绿叶识别，适合初学图像处理的新人研究参考。该方法为差分法：首先对图像进行高斯滤波处理预处理，平滑图像数据；其次，将图像颜色通道按RGB拆分，因为识别物为绿叶，其最明显的特征就是颜色；差分法，将绿色通道减去蓝色通道，之所以选择这两个通道，是因为蓝色通道和绿叶的关系较远，而红色搭配绿色可是黄色哦，绿叶中存在黄色特征信息可是再正常不过了；之后，对差分图进行OTSU阈值处理，得到掩膜感兴趣ROI区域；再后，就是对区域进行闭运算和孔洞闭合处理，保持区域完整性；最后，根据掩膜提取绿叶，完成。

功能函数代码

1）识别绿叶函数。

// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)
{CV_Assert(input.channels() == 3);Mat temp, result, mask, hole;int row = input.rows;int col = input.cols;// 高斯滤波GaussianBlur(input, temp, Size(5, 5), 0);// 通道拆分vector<cv::Mat> c;split(temp, c);// 绿通道-蓝通道，提取绿色区域Mat diff = c[1] - c[0];threshold(diff, mask, 0, 255, THRESH_OTSU);// 闭运算封口cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));cv::morphologyEx(mask, mask, MORPH_CLOSE, element);// 孔洞闭合hole = 255 - mask;Clear_MicroConnected_Areas(hole, hole, row*col / 300);mask = 255 - hole;Clear_MicroConnected_Areas(mask, mask, row*col / 300);// 识别区域标记result = input.clone();result.setTo(Scalar(0, 0, 0), mask == 0);return result;
}

2）清除微小面积连通区函数，用于孔洞闭合。具体介绍见：

OpenCV-清除小面积连通域_翟天保的博客-CSDN博客

/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{// 备份复制dst = src.clone();std::vector<std::vector<cv::Point> > contours;  // 创建轮廓容器std::vector<cv::Vec4i>    hierarchy;// 寻找轮廓的函数// 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓// 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());if (!contours.empty() && !hierarchy.empty()){std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();// 遍历所有轮廓while (itc != contours.end()){// 定位当前轮廓所在位置cv::Rect rect = cv::boundingRect(cv::Mat(*itc));// contourArea函数计算连通区面积double area = contourArea(*itc);// 若面积小于设置的阈值if (area < min_area){// 遍历轮廓所在位置所有像素点for (int i = rect.y; i < rect.y + rect.height; i++){uchar *output_data = dst.ptr<uchar>(i);for (int j = rect.x; j < rect.x + rect.width; j++){// 将连通区的值置0if (output_data[j] == 255){output_data[j] = 0;}}}}itc++;}}
}

C++测试代码

#include <iostream>
#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area);
Mat IdentifyLeaves(cv::Mat input);int main()
{Mat src = imread("test1.png");Mat result = IdentifyLeaves(src);imshow("src", src);imshow("result", result);waitKey(0);return 0;
}/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{// 备份复制dst = src.clone();std::vector<std::vector<cv::Point> > contours;  // 创建轮廓容器std::vector<cv::Vec4i>    hierarchy;// 寻找轮廓的函数// 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓// 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());if (!contours.empty() && !hierarchy.empty()){std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();// 遍历所有轮廓while (itc != contours.end()){// 定位当前轮廓所在位置cv::Rect rect = cv::boundingRect(cv::Mat(*itc));// contourArea函数计算连通区面积double area = contourArea(*itc);// 若面积小于设置的阈值if (area < min_area){// 遍历轮廓所在位置所有像素点for (int i = rect.y; i < rect.y + rect.height; i++){uchar *output_data = dst.ptr<uchar>(i);for (int j = rect.x; j < rect.x + rect.width; j++){// 将连通区的值置0if (output_data[j] == 255){output_data[j] = 0;}}}}itc++;}}
}// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)
{CV_Assert(input.channels() == 3);Mat temp, result, mask, hole;int row = input.rows;int col = input.cols;// 高斯滤波GaussianBlur(input, temp, Size(5, 5), 0);// 通道拆分vector<cv::Mat> c;split(temp, c);// 绿通道-蓝通道，提取绿色区域Mat diff = c[1] - c[0];threshold(diff, mask, 0, 255, THRESH_OTSU);// 闭运算封口cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));cv::morphologyEx(mask, mask, MORPH_CLOSE, element);// 孔洞闭合hole = 255 - mask;Clear_MicroConnected_Areas(hole, hole, row*col / 300);mask = 255 - hole;Clear_MicroConnected_Areas(mask, mask, row*col / 300);// 识别区域标记result = input.clone();result.setTo(Scalar(0, 0, 0), mask == 0);return result;
}

测试效果

本文只是提供了一种简单的识别思路，不可能满足所有的场景。举几个例子，如图6所示，因为孔洞闭合的缘故，导致绿叶间的间隙也被涵盖了；又或者，当所识别的绿叶没那么绿，有点偏暗时，蓝色通道的比例自然也提高了，此时用差分法效果就不会那么好了。

总而言之，不同的场景和需求还是需要结合实际进行算法的设计，天下没有一种算法是可以解决一切问题的，即便是人工智能也不可能，特殊问题特殊对待，加油！

如果函数有什么可以改进完善的地方，非常欢迎大家指出，一同进步何乐而不为呢~

如果文章帮助到你了，可以点个赞让我知道，我会很快乐~加油！

期待一部即将上映的新电影《穿过寒冬拥抱你》~

OpenCV-差分法实现绿叶识别（图像差分+颜色通道）相关推荐

《OpenCv视觉之眼》Python图像处理十六:Opencv图像处理实战一之图像中的硬币检测
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 ...
2.图像作为函数 | 裁剪、颜色通道、图像相加_5
目录图像裁剪颜色通道图像相加接着上一篇文章,我们继续学习图像处理方法. 图像裁剪让我们使用选择行和列范围的方法从图像中提取更大的部分.这也称为裁剪图像. 让我们这次使用不同的图片.让我们看看 ...
高级UI之Paint(滤镜,颜色通道,矩阵运算)
前言在之前的几次课当中我们已经详细了解到整个android程序,从启动再到绘制的整体流程,从这中间我们又牵扯出了Canvas绘制图形的画板和我们的Paint控制色彩样式的画笔,那么之前基础篇我们就不 ...
使用Python，OpenCV，K-Means聚类查找图像中最主要的颜色
Python,OpenCV,K-Means聚类查找图像中最主要的颜色 1. K-Means是什么? 2. 步骤 3. 效果图 4. 源代码参考对于肉眼来说,从一幅图中识别出主要颜色很容易.那怎么用 ...
python如何实现图像中特定颜色的种类识别及特定颜色的占比代码
使用Python实现图像中特定颜色的种类识别及特定颜色的占比代码,首先可以使用OpenCV库对图像进行处理,然后使用特定的函数来识别图像中特定颜色的种类,最后使用统计学方法来计算特定颜色在图像中的占比 ...
opencv实战3-处理图像的颜色
1 处理图像的颜色 1.1 提取指定的颜色区域 cv::floodFill() 函数 1.2 分割图像 cv::grabCut()函数,用于从静态图像中提取前景物体. 1.3 转换颜色的表示方法 HS ...
OpenCV计算机视觉编程篇三《处理图像的颜色》
前言前期回顾: OpenCV计算机视觉编程篇二<操作像素> 上面这篇里面写了操作像素相关. 本章包括以下内容: 用策略设计模式比较颜色: 用 GrabCut 算法分割图像: 转换颜色表示 ...
【opencv】(1) 基础操作：图像视频读取、图像截取、颜色通道
主要内容有:图像及视频的读取和保存.图像显示.转换灰度图.图像截取.颜色通道提取和组合那我们开始吧. 1. 图像操作首先我们导入opencv库,彩色图像一般都是由RGB(红绿蓝)三颜色通道构成,灰 ...
转载：【OpenCV入门教程之五】分离颜色通道多通道图像混合
本系列文章由@浅墨_毛星云出品,转载请注明出处. 文章链接: http://blog.csdn.net/poem_qianmo/article/details/21176257 作者:毛星云(浅墨) ...

OpenCV-差分法实现绿叶识别（图像差分+颜色通道）

实现原理

功能函数代码

C++测试代码

测试效果

OpenCV-差分法实现绿叶识别（图像差分+颜色通道）相关推荐

最新文章

热门文章