白话文讲计算机视觉-第六讲-轮廓检测算法

大家好，欢迎收听小木的第六讲，第六讲我们主要讲的内容是轮廓检测。说道轮廓检测。轮廓怎么检测呢，那么我们就要引入一个轮廓检测算法：

这个算法是日本的铃木桑发明的。这位日本人写了一篇论文，叫做：

Topological structural analysis of digitized binary images by border following，

百度文库上面有下载地址：

https://wenku.baidu.com/view/6cb52ede360cba1aa811dad5.html

说道百度文库，我要吐槽一下，我觉得CNKI上面的文章都不如百度文库上面网友写的好。今天吐槽的话题太多了，首先说一下天朝不合理的科研评优制度。现在考一个博士，比如哈工大、同济，大连理工等学校竟然要一篇SCI，同济甚至是2篇。我就想请问你们是在TMD考老师呢还是在考学生？你们同济可能有设备，有经费。但是其它普通学校有吗？你以为学生是巧妇？巧妇都难做无米之炊，你们要求真是无理。我就请问你们985学校的筛选制度，真的能筛选出NB的学生吗？这个升学坑爹。还有坑爹的是大家喜欢到知网去灌水，结果知网上面全是垃圾文，而且瞎乱引用，引用次数高的还不一定是好的。所以大家找一篇好文实在是太TMD难了。我就想请问，什么国家奖学金那几万块钱，真的这么重要么，就不能发几篇好文章上去吗？

说完这个，还得吐槽一下这个日本人铃木先生，铃木先生这篇文章是1985年写的，也就是说我们现在是2018年，我们足足落后了小日本20多年。美帝就更不用说了。所以我想对现在的年轻人说，我们历史必须铭记，但是不是无脑黑，也不能无脑当HJ。这点应该学习罗永浩老师，把小日本的好东西都学到手，这个才是最重要的。不能学洁洁良，更不能学那些水军。如果认为我说的对，你们必须得转发我的文章！

好了，废话说完了，进入正题。这个日本人发明了一种能够检测轮廓的算法，这个轮廓检测是在一张只有1和只有0的二值图片中执行的，而这个算法定义了几个概念：

（1）框架：框架就是指图片的第一列、最后一列、第一行、最后一行像素，这四个长条组成的一个矩形框框，我们这些点是黑点，也就是0。

（2）背景：除了框架之外，和框架属于同一层级的像素点，这些点也是黑点，也就是0。

（3）外轮廓：外轮廓就是指包裹了一堆白点的最外围的白点。

（4）内轮廓：内轮廓是指在包裹了一堆白点的最内部的白点。

用一张图片表示会很清晰：

在这张图片中，S1是背景，也是框架层。S2是包裹的一堆白点，这堆白点的最外层和框架层紧密相连，B1就是S2的外轮廓，B2就是S2的内轮廓。

那么我们怎么用计算机判断一张图片上的点是外轮廓还是内轮廓呢？

那么就得进行如下的步骤：

（1）首先，我们设定外部框架的边界值NBD为1。

（2）接着忽略最外层的框架，然后从图片的第二行的最左侧开始，判断：

如果这个数字是1，并且它的左侧的像素是0，那么我们令(i,j)为这个像素，然后令(i2,j2)=(i,j-1)为它左侧的像素（如果是第一次运算，那么坐标就是(2,2)，它要是1，(2,1)是0，那么(i,j)=(2,2)、(i2,j2)=(i,j-1)=（2,1））。然后我们令NBD=NBD+1，并且认为这个点是外轮廓点。

如果这个数字是大于等于1的，并且它的右侧像素是0，那么我们令(i,j)为这个像素，然后令(i2,j2)=(i,j+1)为它右侧的像素。（如果是第一次运算，那么坐标就是(2,2)，它要是1，(2,3)是0，那么那么(i,j)=(2,2)、(i2,j2)=(i,j+1)=（2,3）），并且认为这个点是内轮廓点。

如果是其它的情况，那么，令直接跳到最后一步。

（3）下一步是判断这个点到底是内轮廓还是外轮廓，我们用这个表格来判断：

这里面B’表示的是上一个按照我们这个步骤走的点是什么轮廓。B表示我们当前的点是什么轮廓。如果这是第一次，没有上一次的点，那么直接认为是外轮廓就好了。

（4）从点(i,j)开始，它的邻近地方有8个点（3*3）的格子之内，然后我们以(i2,j2)点为起始点，然后顺时针的沿着这8个点移动，一直走走走走，唉，发现了一个不为0的像素点，并且令这个点为(i1,j1)。如果这8个点都为0的话，令中心点(i,j)为-NBD，然后直接跳到最后一步。

（5）如果(i1,j1)存在的话，那么我们令(i2,j2)=(i1,j1)，(i3,j3)=(i,j)。

（6）然后我们从点(i3,j3)开始，以(i2,j2)为起始点，然后逆时针移动遍历(i,j)邻近地方的8个点。找到第一个不为0的点（(i2,j2)这个点不算）。然后令它为(i4,j4)。注意这里肯定不会存在没有不为0点的情况，因为(i3,j3)=(i,j)，上一次循环都循环一次了，没有早退出了。

（7）然后我们判断：如果(i3,j3)前面的点(i3,j3+1)为0的话，那么我们把(i3,j3)这个点的像素值赋予-NBD。

如果(i3,j3)点前面的点不为0，且(i3,j3)这个点的像素为1的话，那么把(i3,j3)的像素值赋予NBD。

如果是其它情况的话，这个值保持不变。

（8）判断，如果(i4,j4)=(i,j)也就是我们最开始的那个值，且(i3,j3)=(i1,j1)，那么我们跳到最后一步。如果要不符合条件，我们返回到（6）继续计算直到满足条件。

（9）我们回到我们最开始选择的那个点，也就是(i,j)然后我们往右边移动一格，如果已经到达末尾了，换到下一行的左边。如果我们于(i,j)那点的像素不为1的话，我们令LNBD等于(i,j)那点的像素的绝对值。

这九步，我们就把轮廓计算完毕了。在铃木桑的论文中，它举了一个例子来说明这个算法，如下所示：

这个是它最后得到的结果，但是我有点不信，下面我按照它同样的算法，自己手算了一遍：

我的最后结果是分为4部分，4个外轮廓，没有内轮廓，而铃木的是5部分，有一个内轮廓。我认为我的里面那个-3不是内轮廓，因为内轮廓应该是八方向都封闭起来的，而这两个-3只有2个方向是封闭，两个方向直接和背景连接。所以我认为是外轮廓。

谁对谁错我不好说，你们自己分析，然后对这两个人的案例对错评论一下，告诉我哈！

这样，我们的轮廓就检测完毕了。我们用OPENCV检测也非常的简单：

（1）首先我们导入一张图片。

（2）将图片二值化变成黑白图像

（3）运用轮廓搜索算法找出轮廓

（4）显示轮廓。

代码如下：

import cv2import numpy as np#导入图片img = cv2.imread("D:/xiaomu/opencv6-1.jpg")#显示图片cv2.imshow("orgin",img)#定义一个卷积核的尺寸kernel = np.ones((3,3))  #导入图片，进行开闭运算去噪声img=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)img=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)#将图像进行二值化处理，小于10的为0，大于的255ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 10, 255, cv2.THRESH_BINARY)#找出图片的轮廓image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)#绘制轮廓cv2.drawContours(img, contours, -1, (255, 0, 0), 3)#显示带轮廓的图片cv2.imshow("contours", img)#等待按键退出cv2.waitKey()cv2.destroyAllWindows()

结果：

下节课讲什么还没决定好，到时候再说哦！

———————————————

如果对我的课程感兴趣的话，欢迎关注小木希望学园-微信公众号：

mutianwei521

也可以扫描二维码哦！

白话文讲计算机视觉-第六讲-轮廓检测算法相关推荐

slam十四讲之第六讲带你看懂g2o
slam十四讲之第六讲g2oCurveFitting代码 #include <iostream> #include <g2o/core/g2o_core_api.h> #inc ...
计算机视觉知识表征,计算机视觉基础 - 边缘和轮廓检测
深度学习以外的视觉算法尽管深度学习为基础的计算机视觉技术攻克了很多传统算法的难题,但了解这些传统的视觉算法依然是有必要的,因为它们提供了很多不同的理解计算机视觉的视角.并且相比于深度神经网络来说,计 ...
白话文讲计算机视觉-第十讲-灰度阈值分割
灰度阈值是啥意思呢?我们慢慢说. 1.灰度图我们现在有一张彩色图,我们给它用黑白的方式变现,就形成灰度图,如图所示. 图1 那究竟怎么转换的呢?很简单,我们根据如下公式,把BGR三个通道换成一个Gr ...
计算机视觉特征检测与匹配轮廓检测
虽然孤立的边缘可用于各种应用,例如线检测和稀疏立体匹配,但当连接到连续轮廓时,它们变得更加有用. 如果使用某个函数的零交叉检测到边缘,则将它们向上链接起来很简单,因为相邻的边缘共享公共端点.将边缘链接 ...
3D Vision 八讲：第六讲
目录八.结构计算 1.三角测量法 (1)代数(线性)方法 (2)几何方法 (3)重建误差与相机之间角度关系八.结构计算 1.三角测量法三角测量法:给定空间三维点在两个或多个图像中的投影点,重建出 ...
边缘和轮廓检测——计算机视觉的应用
计算机视觉的重点是从计算机中的视频和图像中提取有意义的信息.在本文中,我们将从初学者开始探索一个使用 OpenCV 的出色计算机视觉项目. 其标题是"使用计算机视觉进行边缘和轮廓检测&quo ...
【OpenCV入门指南】第五篇轮廓检测上
<[OpenCV入门指南]第三篇Canny边缘检测>中介绍了边缘检测,本篇介绍轮廓检测,轮廓检测的原理通俗的说就是掏空内部点,比如原图中有3*3的矩形点.那么就可以将中间的那一点去掉. 在 ...
OpenCV学习——轮廓检测
前言轮廓检测是传统视觉中非常常用的功能,这里简单记录一下opencv中的轮廓检测算法使用方法,至于理论,后续有机会再去细品. 国际惯例: OpenCV官方的轮廓检测教程python版 OpenCV中 ...
opencv 基础（6）：基于OpenCV的轮廓检测
利用轮廓检测,我们可以检测出目标的边界,并容易地定位.它通常是许多有趣应用,如图像前景提取,简单图像分割,检测和识别. 轮廓线在计算机视觉中的应用一些非常酷的应用程序已经建立,使用轮廓进行运动检测或 ...

白话文讲计算机视觉-第六讲-轮廓检测算法

白话文讲计算机视觉-第六讲-轮廓检测算法相关推荐

最新文章

热门文章