Bildverarbeitung mit C++ OpenCV
Bildfilterung
Bildfilterung ist eine grundlegende Operation in der Bildverarbeitung, die hauptsächlich verwendet wird, um Rauschen aus Bildern zu entfernen oder bestimmte Merkmale hervorzuheben. Übliche Filtermethoden umfassen Mittelwertfilter, Gauß-Filter, Medianfilter und benutzerdefinierte Filter.
Mittelwertfilter
Die Mittelwertfilterung ist eine einfache lineare Filtermethode, bei der jeder Pixelwert in einem Bild durch den Durchschnitt aller Pixelwerte in seiner Nachbarschaft ersetzt wird. Diese Methode kann Rauschen effektiv entfernen, führt aber auch zu einer Unschärfe des Bildes.
cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::blur(src, dst, cv::Size(3, 3)); // 3x3的均值滤波
Gauß-Filter
Die Gauß-Filterung ist eine nichtlineare Filtermethode, die eine Gauß-Funktion verwendet, um die Gewichte der Pixel in der Nachbarschaft zu berechnen und dadurch das Bild zu glätten. Beim Entfernen von Rauschen kann die Gauß-Filterung Kanteninformationen im Bild besser bewahren.
cv::GaussianBlur(src, dst, cv::Size(5, 5), 0); // 5x5的高斯滤波
Medianfilter
Die Medianfilterung ist eine nichtlineare Filtermethode, bei der jeder Pixelwert in einem Bild durch den Median aller Pixelwerte in seiner Nachbarschaft ersetzt wird. Diese Methode ist sehr effektiv beim Entfernen von Salz-und-Pfeffer-Rauschen.
cv::medianBlur(src, dst, 5); // 5x5的中值滤波
Benutzerdefinierter Filter
OpenCV ermöglicht es Benutzern, den Filterkern anzupassen. Durchcv::filter2Ddie Funktion können benutzerdefinierte Filteroperationen implementiert werden.
cv::Mat kernel = (cv::Mat_<float>(3, 3) << 1, 0, -1, 0, 0, 0, -1, 0, 1); cv::filter2D(src, dst, -1, kernel);
Bildkantenerkennung
Die Kantenerkennung ist eine wichtige Aufgabe in der Bildverarbeitung und wird verwendet, um die Grenzen von Objekten in einem Bild zu identifizieren. Übliche Methoden zur Kantenerkennung umfassen den Sobel-Operator und die Canny-Kantenerkennung.
Sobel-Operator
Der Sobel-Operator ist eine gradientenbasierte Kantenerkennungsmethode, die horizontale und vertikale Kanten in einem Bild erkennen kann.
cv::Mat grad_x, grad_y; cv::Sobel(src, grad_x, CV_16S, 1, 0); // 水平方向 cv::Sobel(src, grad_y, CV_16S, 0, 1); // 垂直方向 cv::convertScaleAbs(grad_x, grad_x); cv::convertScaleAbs(grad_y, grad_y); cv::addWeighted(grad_x, 0.5, grad_y, 0.5, 0, dst); // 合并结果
Canny-Kantenerkennung
Die Canny-Kantenerkennung ist ein mehrstufiger Kantenerkennungsalgorithmus, der Kanten in Bildern effektiv erkennen kann und sehr robust gegenüber Rauschen ist.
cv::Canny(src, dst, 100, 200); // 阈值1=100,阈值2=200
Morphologische Bildoperationen
Morphologische Operationen sind eine Reihe von Operationen basierend auf der Bildform, die häufig für Aufgaben wie die Trennung von Vordergrund und Hintergrund und die Rauschentfernung verwendet werden. Gängige morphologische Operationen umfassen Erosion, Dilatation, Öffnen, Schließen und morphologischen Gradient.
Erosion
Die Erosionsoperation kann kleine Objekte oder Details in einem Bild eliminieren und Vordergrundobjekte kleiner machen.
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3)); cv::erode(src, dst, kernel);
Dilatation
Die Dilatationsoperation kann Vordergrundobjekte in einem Bild vergrößern und wird häufig verwendet, um Löcher in Vordergrundobjekten zu füllen.
cv::dilate(src, dst, kernel);
Öffnungsoperation
Öffnen ist eine Operation aus Erosion gefolgt von Dilatation und wird häufig verwendet, um kleine Objekte oder Rauschen zu entfernen.
cv::morphologyEx(src, dst, cv::MORPH_OPEN, kernel);
Schließungsoperation
Schließen ist eine Operation aus Dilatation gefolgt von Erosion und wird häufig verwendet, um kleine Löcher in Vordergrundobjekten zu füllen.
cv::morphologyEx(src, dst, cv::MORPH_CLOSE, kernel);
Morphologischer Gradient
Der morphologische Gradient ist die Differenz zwischen Dilatation und Erosion und kann verwendet werden, um Objektkanten zu extrahieren.
cv::morphologyEx(src, dst, cv::MORPH_GRADIENT, kernel);
Bildschwellenwertbildung
Die Bildschwellenwertbildung ist der Prozess der Umwandlung eines Bildes in ein Binärbild und wird häufig für Bilder verwendet. Häufige Schwellenwertverfahren sind Binarisierung, adaptiver Schwellenwert und das Otsu-Verfahren.
Binarisierung
Die Binarisierung teilt Pixelwerte in einem Bild anhand eines festgelegten Schwellenwerts in zwei Klassen ein und wird üblicherweise für einfache Bildsegmentierung verwendet.
cv::threshold(src, dst, 127, 255, cv::THRESH_BINARY);
Adaptiver Schwellenwert
Der adaptive Schwellenwert berechnet den Schwellenwert dynamisch basierend auf lokalen Regionen des Bildes und eignet sich für Bilder mit ungleichmäßiger Beleuchtung.
cv::adaptiveThreshold(src, dst, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 11, 2);
Otsu-Schwellenwertverfahren
Das Otsu-Verfahren ist eine automatische Methode zur Schwellenwertbestimmung und eignet sich für Bilder mit bimodalen Histogrammen.
cv::threshold(src, dst, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);
Bildhistogramm
Ein Histogramm ist ein Werkzeug, das in der Bildverarbeitung verwendet wird, um die Helligkeitsverteilung eines Bildes zu analysieren. Häufige Histogrammoperationen umfassen das Berechnen von Histogrammen, Histogrammausgleich und Histogrammvergleich.
Histogramm berechnen
Ein Histogramm kann die Verteilung der Pixelwerte in einem Bild widerspiegeln.
cv::Mat hist;
int histSize = 256;
float range[] = {0, 256};
const float* histRange = {range};
cv::calcHist(&src, 1, 0, cv::Mat(), hist, 1, &histSize, &histRange);
Histogramm-Equalisierung
Die Histogramm-Equalisierung kann den Kontrast eines Bildes erhöhen und die Helligkeitsverteilung gleichmäßiger machen.
cv::equalizeHist(src, dst);
Histogrammvergleich
Der Histogrammvergleich kann verwendet werden, um die Ähnlichkeit zweier Bilder zu vergleichen.
double compare = cv::compareHist(hist1, hist2, cv::HISTCMP_CORREL);
Beispiele
Zu den üblichen Bildverarbeitungsoperationen in OpenCV gehören Filterung, Kantenerkennung, Schwellenwertbildung, morphologische Operationen und Konturenerkennung. Mit diesen Techniken können Sie komplexere Bildverarbeitungsaufgaben umsetzen.
Im Folgenden finden Sie übliche Bildverarbeitungsoperationen in C++ OpenCV und ihre Codebeispiele:
1. Bildfilterung
Die Bildfilterung wird verwendet, um Rauschen zu entfernen oder Bildmerkmale hervorzuheben.
1.1 Mittelwertfilter
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// Mittelwertfilter
Mat blurredImage;
blur(image, blurredImage, Size(5, 5)); // 5x5-Kernel
imshow("Originalbild", image);
imshow("Unscharfes Bild", blurredImage);
waitKey(0);
destroyAllWindows();
return 0;
}
1.2 Gauß-Filter
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// Gauß-Filter
Mat gaussianBlurredImage;
GaussianBlur(image, gaussianBlurredImage, Size(5, 5), 0); // 5x5-Kernel
imshow("Originalbild", image);
imshow("Gauß-gefiltertes Bild", gaussianBlurredImage);
waitKey(0);
destroyAllWindows();
return 0;
}
1.3 Medianfilter
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// Medianfilter
Mat medianBlurredImage;
medianBlur(image, medianBlurredImage, 5); // Kernelgröße ist 5
imshow("Originalbild", image);
imshow("Median-gefiltertes Bild", medianBlurredImage);
waitKey(0);
destroyAllWindows();
return 0;
}
2. Kantenerkennung
Die Kantenerkennung wird verwendet, um Kanteninformationen aus Bildern zu extrahieren.
2.1 Canny-Kantenerkennung
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufenbild konvertieren
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// Canny-Kantenerkennung
Mat edges;
Canny(grayImage, edges, 100, 200); // Schwellenwert 1 und Schwellenwert 2
imshow("Originalbild", image);
imshow("Canny Edges", edges);
waitKey(0);
destroyAllWindows();
return 0;
}
3. Schwellenwertbildung für Bilder
Die Schwellenwertbildung wird verwendet, um ein Bild in ein Binärbild umzuwandeln.
3.1 Einfache Schwellenwertbildung
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufenbild konvertieren
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// Einfache Schwellenwertbildung
Mat binaryImage;
threshold(grayImage, binaryImage, 127, 255, THRESH_BINARY);
imshow("Originalbild", image);
imshow("Binärbild", binaryImage);
waitKey(0);
destroyAllWindows();
return 0;
}
3.2 Adaptives Schwellenwertverfahren
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufenbild konvertieren
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// Adaptives Schwellenwertverfahren
Mat adaptiveBinaryImage;
adaptiveThreshold(grayImage, adaptiveBinaryImage, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 11, 2);
imshow("Originalbild", image);
imshow("Adaptives Binärbild", adaptiveBinaryImage);
waitKey(0);
destroyAllWindows();
return 0;
}
4. Morphologische Operationen
Morphologische Operationen werden verwendet, um die Form und Struktur von Bildern zu verarbeiten.
4.1 Erosion und Dilatation
Beispiel
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufenbild konvertieren
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// Binarisierung
Mat binaryImage;
threshold(grayImage, binaryImage, 127, 255, THRESH_BINARY);
// Erosionsoperation
Mat erodedImage;
Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));
erode(binaryImage, erodedImage, kernel);
// Dilatationsoperation
Mat dilatedImage;
dilate(binaryImage, dilatedImage, kernel);
imshow("Originalbild", image);
imshow("Erodiertes Bild", erodedImage);
imshow("Dilatiertes Bild", dilatedImage);
waitKey(0);
destroyAllWindows();
return 0;
}
5. Konturerkennung
Die Konturerkennung wird verwendet, um Objektkonturen in Bildern zu extrahieren.
Beispiel
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "Fehler: Bild kann nicht geladen werden, bitte prüfen Sie, ob der Pfad korrekt ist." << endl;
return -1;
}
// In Graustufenbild konvertieren
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// Binarisierung
Mat binaryImage;
threshold(grayImage, binaryImage, 127, 255, THRESH_BINARY);
// Konturen finden
vector<vector<Point>> contours;
vector<Vec4i> hierarchy;
findContours(binaryImage, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);
// Konturen zeichnen
Mat contourImage = Mat::zeros(image.size(), CV_8UC3);
for (size_t i = 0; i < contours.size(); i++) {
drawContours(contourImage, contours, i, Scalar(0, 255, 0), 2);
}
imshow("Originalbild", image);
imshow("Konturen", contourImage);
waitKey(0);
destroyAllWindows();
return 0;
}