本文原始地址： OpenCV for Ios 學習筆記(4)－標記檢測1

簡單的標記經常是以白色塊和黑色塊構成的規則圖形。因為我們預先知道這些因素，所以我們可以很容易檢測標記。

如圖：

首先，我們需要找到封閉的輪廓，然后在矩形輪廓里檢查我們的標記。

下面是標記監測管道的處理流程：

1.把輸入的圖像轉化成灰度圖像。

2.進行二進制閾值操作（Perform binary threshold operation）。

3.檢測圖像輪廓。

4.搜索可能的標記。

5.檢測并解碼標記。

6.模擬出標記的三維姿態（形狀）。

首先，我們進行 圖像灰度化

cvCvtColor

?

    //灰度化

void MarkerDetector::prepareImage(const cv::Mat& bgraMat,cv::Mat& grayscale)

{

    //convert grayscale

    cv::cvtColor(bgraMat, grayscale, CV_BGR2GRAY);

}
  

其次是 圖像的二值化 （Image binarization）

?

關于二值化，參考： OpenCV二值化方法

二值化操作將把我們的圖像每個像素轉換為黑色(零強度)或白色(烈度)，首先我們需要找到輪廓，目前有許多種求閥值的方法，但是多有各自的優勢和缺點。

其中既簡單又快捷的方法是絕對閥值法－結果依賴于像素強度和某些閥值，即如果像素強度大于閥值，其結果將是白（255），否則將是黑（0）。

但是這個方法有個最大的缺點－它依賴于照明和軟強度變化（soft intensity changes）。所以更加可取的方法是自適應閥值－最大的不同在于在以被檢查的像素為圓心的半徑內使用所有像素。使用平均強度來保證更加健壯的角點檢測。

OpenCV學習筆記-自適應閾值化

?

    void MarkerDetector::performThreshold(const cv::Mat& grayscale,cv::Mat& thresholdImg)

{

    //輸入圖像

    //輸出圖像

    //使用 CV_THRESH_BINARY 和 CV_THRESH_BINARY_INV 的最大值

    //自適應閾值算法使用：CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C 

    //取閾值類型：必須是下者之一

    //CV_THRESH_BINARY,

    //CV_THRESH_BINARY_INV

    //用來計算閾值的象素鄰域大小: 3, 5, 7, ...

    //

    cv::adaptiveThreshold(grayscale, thresholdImg, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY_INV, 7, 7);

}
  

輪廓檢測

?

這個函數的輸出是一個一個多邊形的集合，每個多邊形多代表一個可能的輪廓。在這個方法中，我們忽略了尺寸小于minContoursPointAllowed的多邊形，因為我們認為它們要么不是有效的輪廓，要么實在太小，不值得去檢測它們。

    void MarkerDetector::findContours(const cv::Mat &thresholdImg, std::vector<std::vector<cv::Point>> &contours, int minContoursPointAllowed)

{

    //所有的輪廓

    std::vector<std::vector<cv::Point>> allContours;

    

    //輸入圖像image必須為一個2值單通道圖像

    //檢測的輪廓數組，每一個輪廓用一個point類型的vector表示

    //輪廓的檢索模式

    /*

     CV_RETR_EXTERNAL表示只檢測外輪廓

     CV_RETR_LIST檢測的輪廓不建立等級關系

     CV_RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內孔的邊界信息。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。

     CV_RETR_TREE建立一個等級樹結構的輪廓。具體參考contours.c這個demo

     */

    //輪廓的近似辦法

    /*

     CV_CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1

     CV_CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息

     CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

     offset表示代表輪廓點的偏移量，可以設置為任意值。對ROI圖像中找出的輪廓，并要在整個圖像中進行分析時，這個參數還是很有用的。

     */

    cv::findContours(thresholdImg, allContours, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);

    contours.clear();

    for (size_t i = 0; i < allContours.size(); i++)

    {

        int size = allContours[i].size();

        if (size > minContoursPointAllowed)

        {

            contours.push_back(allContours[i]);

        }

    }

}
  

下面是我們檢測到的輪廓：

閾值

閾值就是臨界值，在PS中的閾值，實際上是基于圖片亮度的一個黑白分界值，默認值是50%中性灰，即128，亮度高于128(<50%的灰)的會變白，低于128(>50%的灰)的會變黑（可以跟濾鏡中的其它――高反差保留，再用閾值效果會更好）

注：該學習筆記主要翻譯自Mastering OpenCV with Practical Computer Visi

?

?

OpenCV for Ios 學習筆記(4)－標記檢測1