Fortgeschrittene Bildverarbeitung mit C++ OpenCV
Erweiterte Bildverarbeitung bezeichnet die Durchführung komplexerer Aufgaben auf der Grundlage der grundlegenden Bildverarbeitung (wie Filterung, Kantenerkennung usw.), wie Bildsegmentierung, Konturerkennung, morphologische Operationen, Histogrammverarbeitung und mehr. Diese Techniken werden in Bereichen wie Objekterkennung, Bildanalyse und medizinischer Bildverarbeitung weit verbreitet eingesetzt.
Anwendungsszenarien der erweiterten Bildverarbeitung
Medizinische Bildanalyse:
Verwenden Sie Bildsegmentierungstechniken, um Läsionsregionen zu extrahieren.
Verwenden Sie morphologische Operationen, um Rauschen zu entfernen.
Objekterkennung und -verfolgung:
Verwenden Sie Konturerkennung und Template-Matching, um Objekte zu lokalisieren.
Verwenden Sie Histogrammverarbeitung, um Objektmerkmale zu verbessern.
Bildverbesserung:
Verwenden Sie Histogramm-Equalisierung, um den Bildkontrast zu verbessern.
Verwenden Sie den Watershed-Algorithmus, um überlappende Objekte zu trennen.
Bildsegmentierung
Die Bildsegmentierung ist ein wichtiger Schritt in der Bildverarbeitung. Sie unterteilt ein Bild in mehrere Regionen oder Objekte zur weiteren Analyse und Verarbeitung. Häufige Methoden der Bildsegmentierung umfassen die schwellenwertbasierte Segmentierung, die kantenbasierte Segmentierung und die regionenbasierte Segmentierung.
Schwellenwertbasierte Segmentierung
Die schwellenwertbasierte Segmentierung ist eine der einfachsten Methoden der Bildsegmentierung. Sie klassifiziert Pixelwerte in verschiedene Kategorien, indem sie einen oder mehrere Schwellenwerte festlegt. Häufige Schwellenwertsegmentierungsmethoden umfassen das globale Schwellenwertverfahren und das adaptive Schwellenwertverfahren.
Globales Schwellenwertverfahren
Das globale Schwellenwertverfahren verwendet einen festen Schwellenwert, um ein Bild in Vordergrund und Hintergrund zu unterteilen. OpenCV bietet diecv::thresholdFunktion, um dies zu implementieren.
cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::threshold(src, dst, 128, 255, cv::THRESH_BINARY);
Im obigen Code,128ist der Schwellenwert,255ist der maximale Pixelwert,cv::THRESH_BINARYgibt die Verwendung der binären Schwellenwertmethode an.
Adaptives Schwellenwertverfahren
Das adaptive Schwellenwertverfahren passt den Schwellenwert dynamisch basierend auf lokalen Regionen des Bildes an. OpenCV bietet diecv::adaptiveThresholdFunktion, um dies zu implementieren.
cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::adaptiveThreshold(src, dst, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 11, 2);
Im obigen Code,255ist der maximale Pixelwert,cv::ADAPTIVE_THRESH_MEAN_Cgibt an, dass der lokale Mittelwert als Schwellenwert verwendet wird,11ist die Größe der Nachbarschaft,2ist die Konstante.
Kantenbasierte Segmentierung
Die kantenbasierte Segmentierung segmentiert ein Bild, indem Kanten im Bild erkannt werden. Häufige Kantenerkennungsalgorithmen sind die Canny-Kantenerkennung und der Sobel-Operator.
Canny-Kantenerkennung
Die Canny-Kantenerkennung ist ein mehrstufiger Kantenerkennungsalgorithmus. OpenCV bietet diecv::CannyFunktion, um dies zu implementieren.
cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat edges;
cv::Canny(src, edges, 100, 200);
Im obigen Code,100und200sind die beiden Schwellenwerte des Canny-Algorithmus.
Regionenbasierte Segmentierung (Watershed-Algorithmus)
Die regionenbasierte Segmentierung erreicht die Segmentierung, indem das Bild in mehrere Regionen unterteilt wird. Der Watershed-Algorithmus ist eine häufig verwendete regionenbasierte Segmentierungsmethode.
Watershed-Algorithmus
Der Watershed-Algorithmus behandelt das Bild als topografische Karte und segmentiert es, indem er die Diffusion des Wasserflusses simuliert. OpenCV bietet diecv::watershedFunktion, um dies zu implementieren.
cv::Mat src = cv::imread("image.jpg");
cv::Mat markers = cv::Mat::zeros(src.size(), CV_32S);
cv::watershed(src, markers);
Im obigen Code,markersist die Markermatrix, die zum Speichern des Segmentierungsergebnisses verwendet wird.
Konturerkennung
Konturerkennung ist ein wichtiger Schritt in der Bildverarbeitung. Sie wird verwendet, um Objektränder in einem Bild zu erkennen. OpenCV bietet verschiedene Funktionen zur Konturerkennung und -verarbeitung.
Konturen finden
Das Finden von Konturen ist der erste Schritt der Konturerkennung. OpenCV bietet diecv::findContoursFunktion, um dies zu implementieren.
cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
Im obigen Code,contoursist der Vektor, der die Konturen speichert,hierarchyist der Vektor, der die Konturhierarchie speichert.
Konturmerkmale
Konturmerkmale umfassen Fläche, Umfang, Begrenzungsrahmen und mehr. OpenCV bietet verschiedene Funktionen, um diese Merkmale zu berechnen.
Bereich
Fläche ist ein wichtiges Merkmal einer Kontur. OpenCV bietet diecv::contourAreaFunktion zur Berechnung der Fläche einer Kontur.
double area = cv::contourArea(contours[0]);
Perimeter
Umfang ist ein weiteres wichtiges Merkmal einer Kontur. OpenCV bietet diecv::arcLengthFunktion zur Berechnung des Umfangs einer Kontur.
double perimeter = cv::arcLength(contours[0], true);
Begrenzungsrahmen
Ein Begrenzungsrahmen ist das minimale umschließende Rechteck einer Kontur. OpenCV bietet diecv::boundingRectFunktion zur Berechnung des Begrenzungsrahmens.
cv::Rect rect = cv::boundingRect(contours[0]);
Konturen zeichnen
Konturen zeichnen bedeutet, die erkannten Konturen auf ein Bild zu zeichnen. OpenCV bietet diecv::drawContoursFunktion, um dies zu implementieren.
cv::Mat dst = cv::Mat::zeros(src.size(), CV_8UC3); cv::drawContours(dst, contours, -1, cv::Scalar(0, 255, 0), 2);
Im obigen Code,dstist das Bild nach dem Zeichnen der Konturen,cv::Scalar(0, 255, 0)ist die Farbe der Konturen,2ist die Linienbreite der Konturen.
Template-Matching
Template-Matching ist eine Methode, um eine bestimmte Vorlage in einem Bild zu finden. OpenCV bietet diecv::matchTemplateFunktion, um dies zu implementieren.
Einzel-Template-Matching
Einzelnes Template-Matching bedeutet, ein Template in einem Bild zu finden. OpenCV bietet diecv::matchTemplateFunktion, um dies zu implementieren.
cv::Mat src = cv::imread("image.jpg");
cv::Mat templ = cv::imread("template.jpg");
cv::Mat result;
cv::matchTemplate(src, templ, result, cv::TM_CCOEFF_NORMED);
Im obigen Code,resultist die Matching-Ergebnismatrix,cv::TM_CCOEFF_NORMEDist die Matching-Methode.
Mehrfaches Template-Matching
Mehrfaches Template-Matching bedeutet, mehrere Templates in einem Bild zu finden. Es kann durch Iterieren über die Matching-Ergebnismatrix implementiert werden.
double minVal, maxVal; cv::Point minLoc, maxLoc; cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);
Im obigen Code,maxLocist die Position des Maximalwerts im Matching-Ergebnis.
Beispiel
Watershed-Algorithmus
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Das Bild einlesen
Mat image = imread("objects.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden. Bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufen umwandeln
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
// Binarisieren
Mat binary;
threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);
// Rauschen entfernen
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
morphologyEx(binary, binary, MORPH_OPEN, kernel, Point(-1, -1), 2);
// Distanztransformation berechnen
Mat dist;
distanceTransform(binary, dist, DIST_L2, 5);
// Distanztransformationsbild normalisieren
normalize(dist, dist, 0, 1.0, NORM_MINMAX);
// Distanztransformationsbild binarisieren
threshold(dist, dist, 0.5, 1.0, THRESH_BINARY);
// Konturen finden
Mat dist_8u;
dist.convertTo(dist_8u, CV_8U);
vector<vector<Point>> contours;
findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
// Markierungsbild erstellen
Mat markers = Mat::zeros(dist.size(), CV_32S);
for (size_t i = 0; i < contours.size(); i++) {
drawContours(markers, contours, static_cast<int>(i), Scalar(static_cast<int>(i) + 1), -1);
}
// Watershed-Algorithmus anwenden
watershed(image, markers);
// Ergebnis anzeigen
Mat result = image.clone();
for (int i = 0; i < markers.rows; i++) {
for (int j = 0; j < markers.cols; j++) {
if (markers.at<int>(i, j) == -1) {
result.at<Vec3b>(i, j) = Vec3b(0, 255, 0); // Grenzen in Grün markieren
}
}
}
imshow("Watershed-Ergebnis", result);
waitKey(0);
return 0;
}
Konturerkennung
Die Konturerkennung wird verwendet, um Objektgrenzen in einem Bild zu extrahieren.
OpenCV stellt die Funktion findContours bereit, um Konturen zu erkennen.
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Das Bild einlesen
Mat image = imread("objects.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden. Bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufen umwandeln
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
// Binarisieren
Mat binary;
threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);
// Konturen finden
vector<vector<Point>> contours;
vector<Vec4i> hierarchy;
findContours(binary, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);
// Konturen zeichnen
Mat result = Mat::zeros(image.size(), CV_8UC3);
for (size_t i = 0; i < contours.size(); i++) {
drawContours(result, contours, i, Scalar(0, 255, 0), 2);
}
// Ergebnis anzeigen
imshow("Konturen", result);
waitKey(0);
return 0;
}
Morphologische Operationen
Morphologische Operationen sind formbasierte Bildverarbeitungstechniken, die häufig zum Entfernen von Rauschen, zum Trennen von Objekten und mehr eingesetzt werden.
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Das Bild einlesen
Mat image = imread("noisy_image.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden. Bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufen umwandeln
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
// Binarisieren
Mat binary;
threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);
// Kernel definieren
Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));
// Opening-Operation (Rauschen entfernen)
Mat opened;
morphologyEx(binary, opened, MORPH_OPEN, kernel);
// Schließen (Löcher füllen)
Mat closed;
morphologyEx(opened, closed, MORPH_CLOSE, kernel);
// Ergebnis anzeigen
imshow("Original Binärbild", binary);
imshow("Geöffnetes Bild", opened);
imshow("Geschlossenes Bild", closed);
waitKey(0);
return 0;
}
Histogrammverarbeitung
Die Histogrammverarbeitung wird verwendet, um die Pixelverteilung eines Bildes zu analysieren. Zu den gängigen Operationen gehören Histogrammausgleich, Histogrammabgleich und mehr.
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Das Bild einlesen
Mat image = imread("low_contrast.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden. Bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufen umwandeln
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
// Histogrammausgleich
Mat equalized;
equalizeHist(gray, equalized);
// Ergebnis anzeigen
imshow("Originalbild", gray);
imshow("Equalisiertes Bild", equalized);
waitKey(0);
return 0;
}
Template-Matching
Template-Matching wird verwendet, um Regionen in einem Bild zu finden, die einer Vorlage ähnlich sind.
Beispiel
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
// Das Bild und die Vorlage einlesen
Mat image = imread("scene.jpg");
Mat templ = imread("template.jpg");
if (image.empty() || templ.empty()) {
cout << "Fehler: Bild kann nicht geladen werden. Bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// Template-Matching
Mat result;
matchTemplate(image, templ, result, TM_CCOEFF_NORMED);
// Beste Übereinstimmungsposition finden
double minVal, maxVal;
Point minLoc, maxLoc;
minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);
// Ein Rechteck zeichnen
rectangle(image, maxLoc, Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), Scalar(0, 255, 0), 2);
// Ergebnis anzeigen
imshow("Template-Matching", image);
waitKey(0);
return 0;
}