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 <opencv2/opencv.hpp>
#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 <opencv2/opencv.hpp>
#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 <opencv2/opencv.hpp>
#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 <opencv2/opencv.hpp>
#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;
}
Andere Erweiterungen