opencv的實用研究--分析輪廓並尋找邊界點
輪廓是圖像處理中非常常見的。對現實中的圖像進行采樣、色彩變化、灰度變化之后，能夠處理得到的是“輪廓”。它直接地反應你了需要分析對象的邊界特征。而對輪廓的分析，實際上也就是對原圖像特征的分析。
在Opencv中，已經實現了基礎的輪廓算法，但是相比較於比如halcon這樣的專業軟件，在輪廓處理這塊的功能還是比較缺乏的。這里就通過一個具體問題，說明自己的學習研究。不對之處歡迎批評。
P.S這里的輪廓處理相關函數，已經包涵在GOBase中，具體可以到公告中找Github.
一、問題提出
那么如果對於一個簡單的圖像，比如
已經獲得了最大物體的輪廓，比如
//灰度域變化
threshold(gray,gray,0,255,THRESH_BINARY_INV);
GaussianBlur(gray,gray,Size(3,3),0,0);
//尋找和繪制輪廓
VP bigestContour = FindBigestContour(gray);
contours.push_back(bigestContour);
由於在opencv里面，輪廓是以
保存的，那
么如何獲得這個輪廓的四個頂點了？
-
vector<vector<point>>
嘗試直接打印輪廓中第一個點，那么的確是左上角
但是不具有通用性，在一些比較復雜的圖片上面效果不行,比如
那么也就是說，必須通過特征分析的方法獲得已經獲得的輪廓中點的特性，而opencv本身沒有提供相關功能。
二、直觀的解決
現在，對於“左上”和“右下”的兩個點，是比較好分析的。因為在所有的包含在輪廓中的點中，他們一個是x,y同時最小的，一個是x,y同時最大的。
比較復雜的是“左下”和"右上"兩個點，
因為他們的數值不是非常有特征，
比較容易產生混淆。這個時候，如果僅僅是通過x,y值來分析，即使是對於簡單圖像，也很難得到穩定的結果。
-
int itopleft =65535; int idownright =0; Point ptopleft; Point pdownright; Point pdownleft; for(int i=0;i<bigestContour.size();i++){ //左上 if(bigestContour[i].x + bigestContour[i].y <itopleft){ itopleft = bigestContour[i].x + bigestContour[i].y ; ptopleft = bigestContour[i]; } //右下 if(bigestContour[i].x+bigestContour[i].y>idownright){ idownright = bigestContour[i].x+bigestContour[i].y; pdownright = bigestContour[i]; } } int idownleft =65534; //對於左下的點來說，應該是所有y大於左上的點中，x最小的 for(int i=0;i<bigestContour.size();i++){ if(bigestContour[i].y>ptopleft.y){ if(bigestContour[i].x<idownleft){ idownleft = bigestContour[i].x; pdownleft = bigestContour[i]; } } } //繪制 circle(board,ptopleft,10,Scalar(255),5); circle(board,pdownright,10,Scalar(255),5); circle(board,pdownleft,10,Scalar(255),5);
三、利用模型來解決
那么，直觀的方法是不穩定的。這個時候，我想到在進行圖像處理的時候，有所謂“特征點”的說法。比較常見的比如harris
/shift/surf。那么我是否能夠通過分析輪廓圖像，找到輪廓圖像特征點的方法找到我需要的邊角了？
編碼實現：
///在board上尋找角點
///// Detector parameters
int blockSize = 2;
int apertureSize = 3;
double k = 0.04;
int thresh = 1;
/// Detecting corners
board.convertTo(board,CV_32F);
cornerHarris( board,dst,2,3,0.04);
///// Normalizing
normalize( dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1, Mat() );
convertScaleAbs( dst_norm, dst_norm_scaled );
///// Drawing a circle around corners
for( int j = 0; j < dst_norm.rows ; j++ ) {
for( int i = 0; i < dst_norm.cols; i++ ) {
if( (int) dst_norm.at<float>(j,i) > thresh ) {
circle( dst_norm_scaled, Point( i, j ), 5, Scalar(0), 2, 8, 0 );
circle(src,Point( i, j ), 5, Scalar(255,0,0), -1, 8, 0 );
}
}
}
得到結果
NICE，在圖像中已經明顯的顯示出來了4個邊界點，再加上已經有的兩個點，得到結果不成問題。
四、問題進一步研究
但是這里其實是用了一個“投機取巧”的方法，那就是使用圖像處理的才使用的harris算法來分析輪廓。opencv默認實現的harris速度慢且會內存移除。用在這個簡單的例子里面看似可以，但是無法處理現實問題。所以就必須分析原理。
做圖像處理有一段時間了，我經常反思回憶，在圖像處理中，能夠穩定解決問題的，往往依靠的是“先驗知識，本質特征”；越是分析逼近圖像的本質特征，越能夠發現穩定的解決方法。比如對於輪廓的角來說，很容易想到處於邊角的點和兩邊的點肯定具有一定的關系，而這種關系具有特征性。
所以有目的地尋找論文，很快就有了成果：
對於我的研究來說，這篇論文兩個貢獻：一個是告知
首先要對圖像進行高斯模糊，這個是我之前沒有想到的。特別是對於現實世界中的輪廓，這種方法效果很好。因為邊角經過模糊，那么還是邊角，但毛刺經過模糊，能夠有效去除。
論文中的算法實現是比較簡單的，並且給出了簡化算法，直接編碼驗證：
//遍歷輪廓，求出所有支撐角度 int icount = bigestContour.size(); float fmax = -1;//用於保存局部最大值 int imax = -1; bool bstart = false; for (int i=0;i<bigestContour.size();i++){ Point2f pa = (Point2f)bigestContour[(i+icount-7)%icount]; Point2f pb = (Point2f)bigestContour[(i+icount+7)%icount]; Point2f pc = (Point2f)bigestContour[i]; //兩支撐點距離 float fa = getDistance(pa,pb); float fb = getDistance(pa,pc)+getDistance(pb,pc); float fang = fa/fb; float fsharp = 1-fang; if (fsharp>0.05){ bstart = true; if (fsharp>fmax){ fmax = fsharp; imax = i; } }else{ if (bstart){ circle(board,bigestContour[imax],10,Scalar(255),1); circle(src,bigestContour[imax],10,Scalar(255,255,255),1); imax = -1; fmax = -1; bstart = false; } } }
編碼過程中，相比較於原文，有兩處優化（原文中應該也提到了，但是沒有明說）：一是通過取模，使得所有的輪廓點都參與運算；二是通過比較，取出角點的局部最大值。
實現效果，比較理想：
五、小結反思
1、掌握知識，如果不能歸納數學模型，並且編碼實現，不叫真正掌握；
2、分析研究，如果從簡單的情況開始，控制變量，往往能夠左右逢源。