OpenCV图像处理——C++实现亚像素尺寸标定板边缘轮廓提取

前言

标定模板（Calibration Target）在机器视觉、图像测量、摄影测量以及三维重建等应用中起着重要的作用。它被用于校正相机的畸变，确定物理尺寸和像素之间的换算关系，并建立相机成像的几何模型。通过使用相机拍摄带有固定间距图案阵列的平板，并经过标定算法的计算，我们能够得到相机的几何参数，从而获得高精度的测量和重建结果。

这种标定模板通常具有固定间距的图案阵列，例如棋盘格、圆点阵列等。这些图案提供了已知尺寸的参考点，使得可以精确地计算相机的内参（内部参数）和外参（外部参数）。内参包括焦距、主点等相机内部的属性，而外参包括相机的位置和方向等外部属性。

通过对标定模板进行拍摄和相应的标定过程，可以消除图像中的畸变效应，实现对物体三维几何位置与其在图像中对应点之间的精确关联。这为各种应用场景提供了可靠的基础，包括计算机视觉任务、图像测量、摄影测量以及三维重建等。标定模板的使用有助于提高测量和重建的准确性，并确保获得可靠的结果。
这是使用的标定板是49个圆点的尺寸标定板，为是更好的演示亚像素，所拍的图像大小为320240pix，标定板的大小为130130pix。

在这里插入图片描述

边缘检测

在计算机视觉和机器视觉领域，广泛应用图像分割，这是将数字图像细分为多个子区域的过程。图像分割的目标是简化或改变图像的表示形式，使其更易于理解和分析。这通常包括定位图像中的物体和边界，生成图像子区域或轮廓线的集合。图像分割方法主要涵盖阈值处理（二值化）、聚类法、边缘检测和区域生长等。解决图像分割问题时，通常需要结合领域知识，因为没有统一的范式可以适用于所有情境。

边缘检测是一种基于灰度变化的常见图像分割方法，其核心是提取图像中不连续部分的特征。常见的边缘检测算子包括差分算子、Roberts算子、Sobel算子、Prewitt算子、Log算子以及Canny算子等。其中，Canny算子由计算机科学家John F. Canny于1986年提出，被认为是目前理论上相对最完善的边缘检测算法。
这里面使用了Canny来进行边缘检测，Canny边缘检测是一种经典的图像处理技术，用于检测图像中的边缘。这个算法由约翰·Canny于1986年提出，被广泛应用于计算机视觉和图像处理领域。以下是Canny边缘检测的基本原理和步骤：

  1. 噪声抑制： 使用高斯滤波器对图像进行平滑处理，以减少噪声的影响。这有助于提高后续边缘检测步骤的准确性。

  2. 计算梯度幅值和方向： 利用Sobel等算子计算图像中每个像素点的梯度幅值和方向。梯度表示图像中的变化率，有助于确定潜在的边缘位置。

  3. 非极大值抑制： 在图像的每个像素点上，仅保留梯度幅值最大的方向，从而细化边缘。

  4. 双阈值检测： 将梯度幅值分为高阈值和低阈值两部分。高于高阈值的像素点被认为是强边缘，低于低阈值的像素点被排除。介于两者之间的像素点被标记为弱边缘。

  5. 边缘连接： 通过强边缘的连接，将弱边缘与强边缘关联起来，形成连续的边缘。

Canny边缘检测的优势在于其高准确性、低误差率和对边缘的单一定位。

	cv::Mat cv_gray;if (cv_src.channels() > 1){cv::cvtColor(cv_src, cv_gray, cv::COLOR_BGR2GRAY);}else{cv_gray = cv_src.clone();}cv::Mat cv_edge;//1.边缘检测cv::Canny(cv_gray, cv_edge, 180, 200);cv::imshow("edge", cv_edge);cv::waitKey();

canny的结果：
在这里插入图片描述

轮廓提取

轮廓是由一系列相连的像素点组成的曲线，反映了物体的基本外形特征。常常用于形状分析以及物体的检测和识别任务。
边缘检测通过检测灰度的突变来寻找图像边界，但通常检测到的边缘是零散的片段，没有形成完整的整体。为了从背景中分离目标，需要将这些边缘像素连接起来形成轮廓。换句话说，轮廓是一种连续的曲线，而边缘未必都是连续的。边缘主要被用作图像的特征，而轮廓则更多地用于分析物体的整体形态。
cv::findContours 是OpenCV库中用于查找图像中轮廓的函数。它的基本用法是在二进制图像中找到对象的轮廓，返回一个包含轮廓点集合的列表。
然而，在使用cv::findContours时，会产生内外两个轮廓，为了减少内部，要对获取的轮廓进行进一步的处理：

*** @brief 在二值化边缘图像中检测和分离内部和外部轮廓。** @param cv_edge 二值化边缘图像。* @param inner_contours 用于存储内部轮廓的向量。*/
void contour(cv::Mat& cv_edge, std::vector<std::vector<cv::Point>>& inner_contours)
{// 存储所有检测到的轮廓的向量std::vector<std::vector<cv::Point>> contours;// 存储轮廓之间层次关系的层次向量std::vector<cv::Vec4i> hierarchy;// 在二值化边缘图像中查找轮廓cv::findContours(cv_edge, contours, hierarchy, cv::RETR_CCOMP, cv::CHAIN_APPROX_NONE);// 存储有效轮廓和被排除轮廓的索引的向量std::vector<int> valids;std::vector<int> excludes;// 根据层次关系减少内部轮廓edge_contour_valids(hierarchy, valids, excludes);// 调整 inner_contours 向量的大小以容纳有效轮廓inner_contours.resize(valids.size());// 将有效轮廓的索引映射到相应的轮廓，并存储在 inner_contours 中std::transform(std::execution::par,valids.begin(),valids.end(),inner_contours.begin(),[contours](int i) { return contours[i]; });// 存储外部轮廓的向量std::vector<std::vector<cv::Point>> external_contours(excludes.size());// 将被排除轮廓的索引映射到相应的轮廓，并存储在 external_contours 中std::transform(std::execution::par,excludes.begin(),excludes.end(),external_contours.begin(),[contours](int i) { return contours[i]; });
}

得到轮廓之后，要获取标定板圆前先获取轮廓的矩：

/*** @brief 计算轮廓的属性并进行阈值化，筛选符合条件的轮廓。** @param inner_contours 存储内部轮廓的向量。* @param cv_cont_and 存储轮廓属性的阈值化结果。* @param cont_center 存储轮廓中心点的向量。* @param RADIUS_MAX 最大半径阈值。*/
void contours_attribute(std::vector<cv::Point> &cont_center, std::vector<std::vector<cv::Point>> &inner_contours,cv::Mat & cv_cont_and,double RADIUS_MAX)
{// 获取轮廓的长度std::vector<double> cont_lengths;contour_length(inner_contours, cont_lengths);// 存储轮廓的半径和纵横比std::vector<double> cont_ra, cont_aspect_ratio;cv::Mat_<double> cont_length_mat(cont_lengths);// 计算轮廓中心点和其他属性for (const auto& c : inner_contours){auto M = cv::moments(c);double area = M.m00;auto centerX = int(M.m10 / area);auto centerY = int(M.m01 / area);double m20 = M.mu20 / area;double m02 = M.mu02 / area;double m11 = M.mu11 / area;double c1 = m20 - m02;double c2 = c1 * c1;double c3 = 4 * m11 * m11;cont_center.emplace_back(centerX, centerY);auto ra = sqrt(2.0 * (m20 + m02 + sqrt(c2 + c3)));auto rb = sqrt(2.0 * (m20 + m02 - sqrt(c2 + c3)));cont_ra.emplace_back(ra);cont_aspect_ratio.emplace_back(ra / rb);}// 将属性向量转为 OpenCV 的 Mat 类型cv::Mat_<double> cv_cont_radius(cont_ra);cv::Mat_<double> cv_cont_aspect_ratio(cont_aspect_ratio);// 定义阈值和计算最大轮廓长度cv::Mat cv_aspect_ratio, cv_radius, cv_cont_length;const double CONT_LENGTH_MAX = 2 * M_PI * RADIUS_MAX;// 对纵横比、半径和轮廓长度进行阈值化cv::threshold(cv_cont_aspect_ratio, cv_aspect_ratio, 0.8, 1.0, cv::ThresholdTypes::THRESH_BINARY);cv::threshold(cv_cont_radius, cv_radius, RADIUS_MAX, 1.0, cv::ThresholdTypes::THRESH_BINARY_INV);cv::threshold(cont_length_mat, cv_cont_length, CONT_LENGTH_MAX, 1.0, cv::ThresholdTypes::THRESH_BINARY_INV);// 将阈值结果按位与，存储在 cv_cont_and 中cv::Mat and1;cv::bitwise_and(cv_aspect_ratio, cv_radius, and1);cv::bitwise_and(and1, cv_cont_length, cv_cont_and);
}

在这里插入图片描述

亚像素轮廓提取

使用亚像素插值，获得轮廓的亚像素级坐标：

/*** @brief 对图像进行亚像素插值，获得轮廓的亚像素级坐标。** @param image_gray 灰度图像。* @param filteredCont 过滤后的轮廓向量。* @param contSubPixFull 存储亚像素级坐标的向量的向量。*/
void sub_pix_contour(const cv::Mat& image_gray,const std::vector<std::vector<cv::Point>>& filteredCont,std::vector<std::shared_ptr<std::vector<std::shared_ptr<cv::Point2d>>>>& contSubPixFull)
{// 定义用于插值的系数std::vector<double> p_vec{ 0.004711,  0.069321,  0.245410,  0.361117,  0.245410,  0.069321,  0.004711 };std::vector<double> d1_vec{ -0.018708,  -0.125376,  -0.193091,  0.000000, 0.193091, 0.125376, 0.018708 };std::vector<double> d2_vec{ 0.055336,  0.137778, -0.056554, -0.273118, -0.056554,  0.137778,  0.055336 };// 将系数转为 Mat 类型auto p = cv::Mat_<double>(p_vec);auto d1 = cv::Mat_<double>(d1_vec);auto d2 = cv::Mat_<double>(d2_vec);// 计算图像梯度cv::Mat dx, dy, grad;cv::sepFilter2D(image_gray, dy, CV_64F, p, d1);cv::sepFilter2D(image_gray, dx, CV_64F, d1, p);cv::pow(dy.mul(dy, 1.0) + dx.mul(dx, 1.0), 0.5, grad);// 计算更高阶导数cv::Mat gy, gx, gyy, gxx, gxy;cv::sepFilter2D(grad, gy, CV_64F, p, d1);cv::sepFilter2D(grad, gx, CV_64F, d1, p);cv::sepFilter2D(grad, gyy, CV_64F, p, d2);cv::sepFilter2D(grad, gxx, CV_64F, d2, p);cv::sepFilter2D(grad, gxy, CV_64F, d1, d1);// 对每个轮廓进行亚像素插值contSubPixFull.resize(filteredCont.size());std::transform(std::execution::par,filteredCont.cbegin(),filteredCont.cend(),contSubPixFull.begin(),[&gy, &gx, &gyy, &gxx, &gxy](const std::vector<cv::Point>& cont){return sub_pix_single(gy, gx, gyy, gxx, gxy, cont);});
}

把亚像素轮廓坐标显示：

void SubPixEdge::draw_roi(cv::Mat& cv_src, std::vector<std::vector<cv::Point>>& filtered_cont,std::vector<std::shared_ptr<std::vector<std::shared_ptr<cv::Point2d>>>>& cont_sub_pix,bool show_roi)
{const int up_scale = 50;cv::Mat cv_temp = cv_src.clone();int src_up_w = up_scale * cv_temp.rows;int src_up_h = up_scale * cv_temp.cols;cv::Mat cv_src_up = cv::Mat::zeros(src_up_w, src_up_h, CV_8UC3);for (int i = 0; i < cv_temp.cols; ++i){for (int j = 0; j < cv_temp.rows; ++j){cv::Mat roi = cv_src_up(cv::Rect(i * up_scale, j * up_scale, up_scale, up_scale));roi = cv_temp.at<cv::Vec<uchar, 3>>(j, i);}}std::vector<std::vector<cv::Point>> cont;for (int i = 0; i < cont_sub_pix.size(); ++i){std::vector<cv::Point> dis_cont;for (const auto& p : *cont_sub_pix[i]){//使用 floor() 函数向下取整int x = floor((p->x + 0.5) * up_scale);int y = floor((p->y + 0.5) * up_scale);cv::drawMarker(cv_src_up, cv::Point(x, y), cv::Scalar(0, 0, 255), cv::MARKER_TILTED_CROSS, 20, 5);dis_cont.emplace_back(x, y);}cont.emplace_back(dis_cont);}cv::drawContours(cv_src_up, cont, -1, cv::Scalar(255, 0, 0), 5);cv::drawContours(cv_src, filtered_cont, -1, cv::Scalar(255, 0, 0));if (show_roi){for (int i = 0; i < filtered_cont.size(); ++i){cv::Rect rect = cv::boundingRect(filtered_cont[i]);cv::Mat crop = cv_src(rect);if (crop.empty()){continue;}int up_w = up_scale * rect.width;int up_h = up_scale * rect.height;cv::Mat cv_up = cv::Mat::zeros(up_w, up_h, CV_8UC3);for (int i = 0; i < crop.cols; ++i){for (int j = 0; j < crop.rows; ++j){cv::Mat roi = cv_up(cv::Rect(i * up_scale, j * up_scale, up_scale, up_scale));roi = crop.at<cv::Vec<uchar, 3>>(j, i);}}std::vector<cv::Point> dis_cont;for (const auto& p : *cont_sub_pix[i]){//使用 floor() 函数向下取整int x = floor(((p->x - rect.x) + 0.5) * up_scale);int y = floor(((p->y - rect.y) + 0.5) * up_scale);cv::drawMarker(cv_up, cv::Point(x, y), cv::Scalar(0, 0, 255), cv::MARKER_TILTED_CROSS, 20, 3);dis_cont.emplace_back(x, y);}std::vector<std::vector<cv::Point>> display_contour_full{ dis_cont };cv::drawContours(cv_up, display_contour_full, 0, cv::Scalar(255.0, 0.0, 0.0), 3);cv::namedWindow("upScaled", 0);cv::imshow("upScaled", cv_up);cv::waitKey();}}cv::namedWindow("src", 0);cv::imshow("src", cv_src);cv::namedWindow("sub_pix_src", 0);cv::imshow("sub_pix_src", cv_src_up);cv::waitKey();
}

左边为像素级边缘轮廓，右边为亚像素边缘轮廓：
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/315644.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Android Menu菜单的设定

Android Menu菜单的设定

菜单主要分为三类&#xff0c;选项菜单(Option Menu)、上下文菜单(Context Menu)和子菜单(Sub Menu)。 1.选项菜单Option Menu 当用户单击软件上的菜单按钮&#xff0c;触发事件弹出的菜单框就是选项菜单。如图&#xff1a; 布局为在res文件夹下新建一个menu文件夹&#xff0…
阅读更多...
规范书写 26 个英语字母

规范书写 26 个英语字母

规范书写 26 个英语字母 1. 四线三格2. 字母的笔顺3. 英语字母的印刷体与手写体References 1. 四线三格 中文使用米字格或田字格规范汉字的格式&#xff0c;而英语则是以四线三格来规范字符的格式。 (1) 字母应稍向右倾斜&#xff0c;约为 5 ∘ 5^{\circ} 5∘&#xff0c;斜…
阅读更多...
媒体捕捉-拍照

媒体捕捉-拍照

引言 在项目开发中&#xff0c;从媒体库中选择图片或使用相机拍摄图片是一个极为普遍的需求。通常&#xff0c;我们使用UIImagePickerController来实现单张图片选择或启动相机拍照。整个拍照过程由UIImagePickerController内部实现&#xff0c;无需我们关心细节&#xff0c;只…
阅读更多...
【MySQL】数据库之主从复制和读写分离

【MySQL】数据库之主从复制和读写分离

目录 一、什么是读写分离&#xff1f; 二、为甚要读写分离&#xff1f; 三、什么时候需要读写分离&#xff1f; 四、主从复制与读写分离 五、MySQL支持的二进制日志格式 六、主从复制的工作原理 七、MySQL读写分离的原理 八、MySQL读写分离的方式有哪些 九、实验一&am…
阅读更多...
Leetcode 63 不同路径 II

Leetcode 63 不同路径 II

题意理解&#xff1a; 一个机器人位于一个 m x n 网格的左上角 &#xff08;起始点在下图中标记为 “Start” &#xff09;。 机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角&#xff08;在下图中标记为 “Finish”&#xff09;。 要求&#xff1a;机器人只能…
阅读更多...
计算机基础面试题 |03.精选计算机基础面试题

计算机基础面试题 |03.精选计算机基础面试题

&#x1f90d; 前端开发工程师&#xff08;主业&#xff09;、技术博主&#xff08;副业&#xff09;、已过CET6 &#x1f368; 阿珊和她的猫_CSDN个人主页 &#x1f560; 牛客高级专题作者、在牛客打造高质量专栏《前端面试必备》 &#x1f35a; 蓝桥云课签约作者、已在蓝桥云…
阅读更多...
五、Spring AOP面向切面编程（基于注解方式实现和细节）

五、Spring AOP面向切面编程（基于注解方式实现和细节）

本章概要 Spring AOP底层技术组成初步实现获取通知细节信息切点表达式语法重用&#xff08;提取&#xff09;切点表达式环绕通知切面优先级设置CGLib动态代理生效注解实现小结 5.5.1 Spring AOP 底层技术组成 动态代理&#xff08;InvocationHandler&#xff09;&#xff1a;…
阅读更多...
TTS | NaturalSpeech语音合成论文详解及项目实现【正在更新中】

TTS | NaturalSpeech语音合成论文详解及项目实现【正在更新中】

----------------------------------&#x1f50a; 语音合成 相关系列直达 &#x1f50a; ------------------------------------- ✨NaturalSpeech&#xff1a;正在更新中~ ✨NaturalSpeech2&#xff1a;TTS | NaturalSpeech2语音合成论文详解及项目实现 本文主要是 讲解了Nat…
阅读更多...
DrGraph原理示教 - OpenCV 4 功能 - 二值化

DrGraph原理示教 - OpenCV 4 功能 - 二值化

二值化&#xff0c;也就是处理结果为0或1&#xff0c;当然是针对图像的各像素而言的 1或0&#xff0c;对应于有无&#xff0c;也就是留下有用的&#xff0c;删除无用的&#xff0c;有用的部分&#xff0c;就是关心的部分 在图像处理中&#xff0c;也不仅仅只是1或0&#xff0c;…
阅读更多...
ES6语法（五）封装模块化公共工具函数、引入npm包 ，并上传到npm中进行下载

ES6语法（五）封装模块化公共工具函数、引入npm包 ，并上传到npm中进行下载

1. 模块化 模块化是指将一个大的程序文件&#xff0c;拆分为许多小的文件&#xff08;模块&#xff09;&#xff0c;然后将小的文件组合起来。 1.1. 优点 &#xff08;1&#xff09;防止命名冲突 &#xff08;2&#xff09;代码复用 &#xff08;3&#xff09;高维护性 &…
阅读更多...
【快速全面掌握 WAMPServer】06.整明白 PHP

【快速全面掌握 WAMPServer】06.整明白 PHP

网管小贾 / sysadm.cc 我们今天就要来学习了解一下作为 LAMP 四剑客之一的 PHP 。 PHP 是 Hypertext Preprocessor 即“超文本预处理器”的缩写&#xff0c;是在服务端执行的一种脚本程序语言。 通常它被用于 Web 开发&#xff0c;并可以嵌入 HTML 中&#xff0c;是具有交互功…
阅读更多...
yolov5单目测距+速度测量+目标跟踪（算法介绍和代码）

yolov5单目测距+速度测量+目标跟踪（算法介绍和代码）

YOLOv5模型介绍 YOLOv5是目前最先进的目标检测算法之一&#xff0c;在多个数据集上取得了优秀的表现。相较于YOLOv4&#xff0c;YOLOv5采用了更深的Backbone网络和更高的分辨率输入图像&#xff0c;以提高检测精度和速度。 1.单目测距实现方法 在目标检测的基础上&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023