基于OpenCV 差分法实现绿叶识别

2024-04-02 19:04:59 396人浏览独家记忆

摘要

目录实现原理功能函数代码c++测试代码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

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



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0
						if (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;
}
 

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0
						if (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