图像分割 | Euan's Blog

图像分割

实验目的

掌握基于openCV的图像分割方法，理解图像分割的处理

实验原理

边缘检测方法、霍尔变换

实验内容或步骤

对“lena.jpg”及“车牌.jpg” 的灰度图像分别进行如下操作：

1）先平滑滤波，进行Canny边缘检测[尝试使用不同参数，调试效果]，显示并合并为一张图像保存；

Canny算法所采用的方法

在本文实现的Canny算法中所采用的卷积算子比较简单，表达如下：

其x向、y向的一阶偏导数矩阵，梯度幅值以及梯度方向的数学表达式为：

求出这几个矩阵后，就可以进行下一步的检测过程。

Canny算法介绍-五步：

• 高斯模糊
• 灰度计算
• 计算梯度
• 非最大信号抑制
• 高低阈值输出二值图像

首先使用高斯滤波去除一定的噪声，后进行canny边缘检测。

可以看到图像平滑了挺多

使用滑动条不断调节得到边缘检测最佳效果，记录参数后把canny参数设置为定值

2）在1）的基础上，进行Hough直线变换（尝试使用不同参数，调试效果） ，描绘显示并合并为一张图像保存。

参考：

canny

HoughLines

实验报告

HoughLines( )函数详解

此函数可以找出采用标准霍夫变换的二值图像线条。在OpenCV中，我们可以用其来调用标准霍夫变换SHT和多尺度霍夫变换MSHT的OpenCV内建算法。

C++: void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 )

• 第一个参数，InputArray类型的image，输入图像，即源图像，需为8位的单通道二进制图像，可以将任意的源图载入进来后由函数修改成此格式后，再填在这里。
• 第二个参数，InputArray类型的lines，经过调用HoughLines函数后储存了霍夫线变换检测到线条的输出矢量。每一条线由具有两个元素的矢量表示，其中，是离坐标原点((0,0)（也就是图像的左上角）的距离。 是弧度线条旋转角度（0垂直线，π/2水平线）。
• 第三个参数，double类型的rho，以像素为单位的距离精度。另一种形容方式是直线搜索时的进步尺寸的单位半径。PS:Latex中/rho就表示 。
• 第四个参数，double类型的theta，以弧度为单位的角度精度。另一种形容方式是直线搜索时的进步尺寸的单位角度。
• 第五个参数，int类型的threshold，累加平面的阈值参数，即识别某部分为图中的一条直线时它在累加平面中必须达到的值。大于阈值threshold的线段才可以被检测通过并返回到结果中。
• 第六个参数，double类型的srn，有默认值0。对于多尺度的霍夫变换，这是第三个参数进步尺寸rho的除数距离。粗略的累加器进步尺寸直接是第三个参数rho，而精确的累加器进步尺寸为rho/srn。
• 第七个参数，double类型的stn，有默认值0，对于多尺度霍夫变换，srn表示第四个参数进步尺寸的单位角度theta的除数距离。且如果srn和stn同时为0，就表示使用经典的霍夫变换。否则，这两个参数应该都为正数。

1、初始化(θ,p)空间，N(θ,p)=0 （N（θ,p）表示在该参数表示的直线上的像素点的个数）

2、对于每一个像素点(x,y)，在参数空间中找出令 xcosθ+ysinθ=p 的（θ,p）坐标，N（θ,p）+=1

3、统计所有N（θ,p）的大小，取出N（θ,p）>threasold的参数 （threadsold是预设的阈值)

当你使用滑动条来改变 阈值 的时候会观察到检测到线的数目的改变. 这是因为: 如果你设置了一个更大的阈值, 能检测到的线的数目将更少 (你需要更多的点来表示一条能检测到的直线).

使用滑动条不断调节得到边直线测最佳效果，记录参数后把houghlines参数设置为定值，但一开始没起作用，一片红，可能for循环导致了不能随时更换，后来直接把变量设置为三个定值（80，100，120），得到直线检测的效果

这次实验的边缘检测想过不太理想，没有很精确，可能是因为边缘检测的效果设置太严格，亦可能是houghline参数设置得不够精确

源代码

#include<iostream>
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>
#include<fstream>
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc/types_c.h>
#include <opencv2\imgproc\imgproc.hpp>

using namespace std;
using namespace cv;
#define WindowNameSrc "canny_car"	//定义窗口名字的宏
#define WindowNameImg "canny_lena"	//定义窗口名字的宏
#define WindowNameHoughSrc "hough_car"	//定义窗口名字的宏
#define WindowNameHoughImg "hough_lena"	//定义窗口名字的宏

char Trackbarname1[50];		//用于存储滑动条1的名称
char Trackbarname2[50];		//用于存储滑动条2的名称
char Trackbarname3[50];		//用于存储滑动条3的名称
char Trackbarname4[50];		//用于存储滑动条4的名称

int pre_place1, pre_place2;	//滑动条对应的变量，两个阈值变量
int pre_place3, pre_place4;	//滑动条对应的变量，两个阈值变量
const int max_place = 255;	//定义Trackbar的最大值
const int hough_max_place = 200;

int main()
{
	Mat src = imread("car_gray.png");
	Mat img = imread("lena_gray.png");
	Mat gaosi_src, gaosi_img;
	cv::GaussianBlur(src, gaosi_src, cv::Size(5, 5), 3, 3);
	cv::GaussianBlur(img, gaosi_img, cv::Size(5, 5), 3, 3);

	namedWindow("gaosi_src", WINDOW_AUTOSIZE);
	namedWindow("gaosi_img", WINDOW_AUTOSIZE);
	imshow("gaosi_src", gaosi_src);
	imshow("gaosi_img", gaosi_img);
	imwrite("gaosi_src.png", gaosi_src);
	imwrite("gaosi_img.png", gaosi_img);

	Mat canny_src, canny_img;

	/*
	namedWindow(WindowNameSrc, WINDOW_AUTOSIZE);    //定义自动适应图片大小的窗口
	namedWindow(WindowNameImg, WINDOW_AUTOSIZE);    //定义自动适应图片大小的窗口

	sprintf(Trackbarname1, "阈值1 %d", max_place);//sprintf函数，格式化赋值
	sprintf(Trackbarname2, "阈值2 %d", max_place);//sprintf函数，格式化赋值
	sprintf(Trackbarname3, "阈值3 %d", max_place);//sprintf函数，格式化赋值
	sprintf(Trackbarname4, "阈值4 %d", max_place);//sprintf函数，格式化赋值

	createTrackbar(Trackbarname1, WindowNameSrc, &pre_place1, max_place); //创建滑动条
	createTrackbar(Trackbarname2, WindowNameSrc, &pre_place2, max_place); //创建滑动条
	createTrackbar(Trackbarname3, WindowNameImg, &pre_place3, max_place); //创建滑动条
	createTrackbar(Trackbarname4, WindowNameImg, &pre_place4, max_place); //创建滑动条

	while (1) {
		pre_place1 = getTrackbarPos(Trackbarname1, WindowNameSrc);	//获取滑动条当前位置
		pre_place2 = getTrackbarPos(Trackbarname2, WindowNameSrc);	//获取滑动条当前位置
		pre_place3 = getTrackbarPos(Trackbarname3, WindowNameImg);	//获取滑动条当前位置
		pre_place4 = getTrackbarPos(Trackbarname4, WindowNameImg);	//获取滑动条当前位置

		Canny(gaosi_src, canny_src, pre_place1, pre_place2, 3);
		Canny(gaosi_img, canny_img, pre_place3, pre_place4, 3);

		imshow(WindowNameSrc, canny_src);
		imshow(WindowNameImg, canny_img);

		if (waitKey(10) == 27) break;     //按下Esc键退出程序
	}
	*/

	Canny(gaosi_src, canny_src, 246, 0, 3);
	Canny(gaosi_img, canny_img, 102, 12, 3);

	imshow(WindowNameSrc, canny_src);
	imshow(WindowNameImg, canny_img);
	imwrite("canny_src.png", canny_src);
	imwrite("canny_img.png", canny_img);

	//进行霍夫线变换
	vector<Vec2f> lines_src;//用于储存参数空间的交点
	vector<Vec2f> lines_img;//用于储存参数空间的交点
	Mat src_result = src.clone();
	Mat img_result = img.clone();
	imshow("src_result", src_result);
	imshow("img_result", img_result);
	/*
	HoughLines(canny_src, lines, 1, CV_PI / 180, 120, 0, 0);//针对不同像素的图片注意调整阈值
	const int alpha = 1000;//alpha取得充分大，保证画出贯穿整个图片的直线
	//lines中存储的是边缘直线在极坐标空间下的rho和theta值，在图像空间(直角坐标系下)只能体现出一个点
	//以该点为基准，利用theta与斜率之间的关系，找出该直线上的其他两个点(可能不在图像上)，之后以这两点画出直线
	for (size_t i = 0; i < lines.size(); i++)
	{
		float rho = lines[i][0], theta = lines[i][1];
		double cs = cos(theta), sn = sin(theta);
		double x = rho * cs, y = rho * sn;
		Point pt1(cvRound(x + alpha * (-sn)), cvRound(y + alpha * cs));
		Point pt2(cvRound(x - alpha * (-sn)), cvRound(y - alpha * cs));
		line(mResult, pt1, pt2, Scalar(0, 0, 255), 1, LINE_AA);
	}

	namedWindow("hough_src", WINDOW_NORMAL);
	imshow("hough_src", mResult);
	*/
	
	namedWindow(WindowNameHoughSrc, WINDOW_AUTOSIZE);    //定义自动适应图片大小的窗口
	namedWindow(WindowNameHoughImg, WINDOW_AUTOSIZE);    //定义自动适应图片大小的窗口

	sprintf(Trackbarname1, "阈值1 %d", hough_max_place);//sprintf函数，格式化赋值
	sprintf(Trackbarname2, "阈值2 %d", hough_max_place);//sprintf函数，格式化赋值

	createTrackbar(Trackbarname1, WindowNameHoughSrc, &pre_place1, hough_max_place); //创建滑动条
	createTrackbar(Trackbarname2, WindowNameHoughImg, &pre_place2, hough_max_place); //创建滑动条

	while (1) {
		pre_place1 = getTrackbarPos(Trackbarname1, WindowNameHoughSrc);	//获取滑动条当前位置
		pre_place2 = getTrackbarPos(Trackbarname2, WindowNameHoughImg);	//获取滑动条当前位置

		HoughLines(canny_src, lines_src, 1, CV_PI / 180, 100, 0, 0);//针对不同像素的图片注意调整阈值
		HoughLines(canny_img, lines_img, 1, CV_PI / 180, 100, 0, 0);//针对不同像素的图片注意调整阈值
		const int alpha = 1000;
		for (size_t i = 0; i < lines_src.size(); i++)
		{
			float rho = lines_src[i][0], theta = lines_src[i][1];
			double cs = cos(theta), sn = sin(theta);
			double x = rho * cs, y = rho * sn;
			Point pt1(cvRound(x + alpha * (-sn)), cvRound(y + alpha * cs));
			Point pt2(cvRound(x - alpha * (-sn)), cvRound(y - alpha * cs));
			line(src_result, pt1, pt2, Scalar(0, 0, 255), 1, LINE_AA);
		}
		for (size_t i = 0; i < lines_img.size(); i++)
		{
			float rho = lines_img[i][0], theta = lines_img[i][1];
			double cs = cos(theta), sn = sin(theta);
			double x = rho * cs, y = rho * sn;
			Point pt1(cvRound(x + alpha * (-sn)), cvRound(y + alpha * cs));
			Point pt2(cvRound(x - alpha * (-sn)), cvRound(y - alpha * cs));
			line(img_result, pt1, pt2, Scalar(0, 0, 255), 1, LINE_AA);
		}
		imshow(WindowNameHoughSrc, src_result);
		imshow(WindowNameHoughImg, img_result);
		imwrite("src_result.png", src_result);
		imwrite("img_result.png", img_result);

		if (waitKey(10) == 27) break;     //按下Esc键退出程序
	}
	//依次在图中绘制出每条线段


	waitKey(0);
	return 0;
}

本文使用 CC BY-NC-SA 3.0 中国大陆 协议许可
具体请参见 知识共享协议
本文链接：https://zyhang8.github.io/2019/11/21/cv-exp4/