我会在 中给出我的答案C++
,但在 中应该可以使用相同的操作Emgu CV
。
我提出以下方法:使用HSV颜色空间分割(即分离)目标对象。计算感兴趣对象的二进制掩码。获取二进制掩码中最大的 blob,这应该是卡片。计算卡片的边界框。从输入图像中裁剪卡片
好的,首先获取(或读取)输入图像。应用median blur
过滤器,它将有助于消除您在输入中看到的高频噪声(小灰色斑点)。不过,要调整的主要参数是size
(kernel
或滤镜光圈)要小心 - 高值会导致强烈的效果并可能会破坏您的图像:
//read input image:
std::string imageName = "C://opencvImages//yoshiButNotYoshi.png";
cv::Mat imageInput = cv::imread( imageName );
//apply a median blur filter, the size of the kernel is 5 x 5:
cv::Mat blurredImage;
cv::medianBlur ( imageInput, blurredImage, 5 );
这是模糊过滤器的结果(嵌入的图像已调整大小):
接下来,分割图像。利用背景是白色的事实,而其他一切(主要是感兴趣的对象)都有一些颜色信息。您可以使用HSV
色彩空间。首先,将BGR
图像转换为HSV
:
//BGR to HSV conversion:
cv::Mat hsvImg;
cv::cvtColor( blurredImage, hsvImg, CV_RGB2HSV );
颜色空间对HSV
颜色信息的编码不同于典型的BGR/RGB
颜色空间。它相对于其他颜色模型的优势在很大程度上取决于应用程序,但总的来说,它在使用色调渐变时更加健壮。我将尝试为感兴趣的对象获取基于 HSV 的二进制掩码。
在二进制掩码中,您对输入图像感兴趣的所有内容都用 着色white
,其他所有内容都用着色black
(反之亦然)。inRange
您可以使用该函数获取此掩码。但是,您必须指定将在输出掩码中呈现为白色(或黑色)的颜色范围。对于您的图像,并使用 HSV 颜色模型,这些值是:
cv::Scalar minColor( 0, 0, 100 ); //the lower range of colors
cv::Scalar maxColor( 0, 0, 255 ); //the upper range of colors
现在,获取二进制掩码:
//prepare the binary mask:
cv::Mat binaryMask;
//create the binary mask using the specified range of color
cv::inRange( hsvImg, minColor, maxColor, binaryMask );
//invert the mask:
binaryMask = 255 - binaryMask;
你得到这个图像:
现在,您可以通过morphological filtering
. 形态过滤器本质上是应用于二值(或灰色)图像的逻辑规则。它们在输入中采用像素的“邻域”并应用逻辑函数来获得输出。它们在清理二进制图像时非常方便。我将应用一系列逻辑过滤器来实现这一点。
我将首先erode
使用图像,然后dilate
使用3 iterations
. 这structuring element
是一个rectangle
大小3 x 3
:
//apply some morphology the clean the binary mask a little bit:
cv::Mat SE = cv::getStructuringElement( cv::MORPH_RECT, cv::Size(3, 3) );
int morphIterations = 3;
cv::morphologyEx( binaryMask, binaryMask, cv::MORPH_ERODE, SE, cv::Point(-1,-1), morphIterations );
cv::morphologyEx( binaryMask, binaryMask, cv::MORPH_DILATE, SE, cv::Point(-1,-1), morphIterations );
你得到这个输出。看看嘈杂的斑点是如何消失的:
现在,很酷的部分来了。您可以遍历contours
此图像中的所有内容并获得其中最大的内容。这是我经常执行的典型操作,因此,我编写了一个函数来执行此操作。它被称为findBiggestBlob
。稍后我将介绍该功能。查看找到并提取最大 blob 后得到的结果:
//find the biggest blob in the binary image:
cv::Mat biggestBlob = findBiggestBlob( binaryMask );
你得到这个:
现在,您可以bounding box
使用以下命令获取最大的 blob boundingRect
:
//Get the bounding box of the biggest blob:
cv::Rect bBox = cv::boundingRect( biggestBlob );
让我们bounding box
在输入图像上绘制:
cv::Mat imageClone = imageInput.clone();
cv::rectangle( imageClone, bBox, cv::Scalar(255,0,0), 2 );
最后,让我们从输入图像中裁剪出卡片:
cv::Mat croppedImage = imageInput( bBox );
这是裁剪后的输出:
这是findBiggestBlob
函数的代码。这个想法只是计算二进制输入中的所有轮廓,计算它们的面积并存储具有最大面积的轮廓:
//Function to get the largest blob in a binary image:
cv::Mat findBiggestBlob( cv::Mat &inputImage ){
cv::Mat biggestBlob = inputImage.clone();
int largest_area = 0;
int largest_contour_index = 0;
std::vector< std::vector<cv::Point> > contours; // Vector for storing contour
std::vector< cv::Vec4i > hierarchy;
// Find the contours in the image
cv::findContours( biggestBlob, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_SIMPLE );
for( int i = 0; i < (int)contours.size(); i++ ) {
//Find the area of the contour
double a = cv::contourArea( contours[i], false);
//Store the index of largest contour:
if( a > largest_area ){
largest_area = a;
largest_contour_index = i;
}
}
//Once you get the biggest blob, paint it black:
cv::Mat tempMat = biggestBlob.clone();
cv::drawContours( tempMat, contours, largest_contour_index, cv::Scalar(0),
CV_FILLED, 8, hierarchy );
//Erase the smaller blobs:
biggestBlob = biggestBlob - tempMat;
tempMat.release();
return biggestBlob;
}