Продвинутая обработка изображений в OpenCV на C++

Продвинутая обработка изображений означает выполнение более сложных задач на основе базовой обработки изображений (таких как фильтрация, обнаружение краёв и т. д.), например сегментация изображений, обнаружение контуров, морфологические операции, обработка гистограмм и многое другое. Эти методы широко используются в таких областях, как обнаружение объектов, анализ изображений и обработка медицинских изображений.

Сценарии применения продвинутой обработки изображений

Анализ медицинских изображений:

  • Используйте методы сегментации изображений для выделения областей поражения.

  • Используйте морфологические операции для удаления шума.

Обнаружение и отслеживание объектов:

  • Используйте обнаружение контуров и сопоставление с шаблоном для определения местоположения объектов.

  • Используйте обработку гистограмм для улучшения признаков объектов.

Улучшение изображений:

  • Используйте выравнивание гистограммы для улучшения контраста изображения.

  • Используйте алгоритм водораздела для разделения перекрывающихся объектов.


Сегментация изображений

Сегментация изображений — важный этап обработки изображений. Она разделяет изображение на несколько областей или объектов для дальнейшего анализа и обработки. Распространённые методы сегментации изображений включают пороговую сегментацию, сегментацию на основе краёв и сегментацию на основе областей.

Пороговая сегментация

Пороговая сегментация — один из простейших методов сегментации изображений. Она классифицирует значения пикселей по разным категориям, задавая один или несколько порогов. Распространённые методы пороговой сегментации включают глобальную пороговую обработку и адаптивную пороговую обработку.

Глобальная пороговая обработка

Глобальная пороговая обработка использует фиксированный порог для разделения изображения на передний план и фон. OpenCV предоставляетcv::thresholdфункцию для реализации этого.

cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::threshold(src, dst, 128, 255, cv::THRESH_BINARY);

В приведённом выше коде,128— это порог,255— это максимальное значение пикселя,cv::THRESH_BINARYуказывает на использование метода бинарной пороговой обработки.

Адаптивная пороговая обработка

Адаптивная пороговая обработка динамически регулирует порог на основе локальных областей изображения. OpenCV предоставляетcv::adaptiveThresholdфункцию для реализации этого.

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);

В приведённом выше коде,255— это максимальное значение пикселя,cv::ADAPTIVE_THRESH_MEAN_Cуказывает на использование локального среднего в качестве порога,11является размером окрестности,2— это константа.

Сегментация на основе границ

Сегментация на основе границ сегментирует изображение путем обнаружения границ на изображении. Распространенные алгоритмы обнаружения границ включают обнаружение границ Canny и оператор Sobel.

Обнаружение границ Canny

Обнаружение границ Canny — это многостадийный алгоритм обнаружения границ. OpenCV предоставляетcv::Cannyфункцию для реализации этого.

cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat edges;
cv::Canny(src, edges, 100, 200);

В приведённом выше коде,100и200являются двумя порогами алгоритма Canny.

Сегментация на основе областей (алгоритм водораздела)

Сегментация на основе областей выполняет сегментацию, разделяя изображение на несколько областей. Алгоритм водораздела — часто используемый метод сегментации на основе областей.

Алгоритм водораздела

Алгоритм водораздела рассматривает изображение как топографическую карту и сегментирует его, моделируя распространение водного потока. OpenCV предоставляетcv::watershedфункцию для реализации этого.

cv::Mat src = cv::imread("image.jpg");
cv::Mat markers = cv::Mat::zeros(src.size(), CV_32S);
cv::watershed(src, markers);

В приведённом выше коде,markers— это матрица маркеров, используемая для хранения результата сегментации.


Обнаружение контуров

Обнаружение контуров — важный шаг в обработке изображений. Оно используется для обнаружения границ объектов на изображении. OpenCV предоставляет различные функции для обнаружения и обработки контуров.

Поиск контуров

Поиск контуров — это первый шаг обнаружения контуров. OpenCV предоставляетcv::findContoursфункцию для реализации этого.

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);

В приведённом выше коде,contours— это вектор, хранящий контуры,hierarchy— это вектор, хранящий иерархию контуров.

Признаки контуров

Признаки контуров включают площадь, периметр, ограничивающий прямоугольник и другое. OpenCV предоставляет различные функции для вычисления этих признаков.

Область

Площадь — важный признак контура. OpenCV предоставляетcv::contourAreaфункцию для вычисления площади контура.

double area = cv::contourArea(contours[0]);

Perimeter

Периметр — ещё один важный признак контура. OpenCV предоставляетcv::arcLengthфункция для вычисления периметра контура.

double perimeter = cv::arcLength(contours[0], true);

Ограничивающий прямоугольник

Ограничивающий прямоугольник — это минимальный охватывающий прямоугольник контура. OpenCV предоставляетcv::boundingRectфункцию для вычисления ограничивающего прямоугольника.

cv::Rect rect = cv::boundingRect(contours[0]);

Рисование контуров

Рисование контуров означает отрисовку обнаруженных контуров на изображении. OpenCV предоставляетcv::drawContoursфункцию для реализации этого.

cv::Mat dst = cv::Mat::zeros(src.size(), CV_8UC3);
cv::drawContours(dst, contours, -1, cv::Scalar(0, 255, 0), 2);

В приведённом выше коде,dst— это изображение после отрисовки контуров,cv::Scalar(0, 255, 0)— это цвет контуров,2— это толщина линии контуров.


Сопоставление шаблонов

Сопоставление шаблонов — это метод поиска конкретного шаблона на изображении. OpenCV предоставляетcv::matchTemplateфункцию для реализации этого.

Сопоставление с одним шаблоном

Сопоставление с одним шаблоном — это поиск одного шаблона на изображении. OpenCV предоставляетcv::matchTemplateфункцию для реализации этого.

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);

В приведённом выше коде,result— это матрица результатов сопоставления,cv::TM_CCOEFF_NORMED— это метод сопоставления.

Сопоставление с несколькими шаблонами

Сопоставление с несколькими шаблонами — это поиск нескольких шаблонов на изображении. Его можно реализовать, перебирая матрицу результатов сопоставления.

double minVal, maxVal;
cv::Point minLoc, maxLoc;
cv::minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

В приведённом выше коде,maxLoc— это позиция максимального значения в результате сопоставления.


Пример

Алгоритм водораздела

Пример

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // Прочитать изображение
    Mat image = imread("objects.jpg");
    if (image.empty()) {
        cout << "Ошибка: Не удалось загрузить изображение. Проверьте правильность пути." << endl;
        return -1;
    }

    // Преобразовать в оттенки серого
    Mat gray;
    cvtColor(image, gray, COLOR_BGR2GRAY);

    // Бинаризация
    Mat binary;
    threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);

    // Удаление шума
    Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
    morphologyEx(binary, binary, MORPH_OPEN, kernel, Point(-1, -1), 2);

    // Вычисление преобразования расстояний
    Mat dist;
    distanceTransform(binary, dist, DIST_L2, 5);

    // Нормализация изображения преобразования расстояний
    normalize(dist, dist, 0, 1.0, NORM_MINMAX);

    // Бинаризовать изображение преобразования расстояний
    threshold(dist, dist, 0.5, 1.0, THRESH_BINARY);

    // Найти контуры
    Mat dist_8u;
    dist.convertTo(dist_8u, CV_8U);
    vector<vector<Point>> contours;
    findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

    // Создать изображение маркеров
    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);
    }

    // Применить алгоритм водораздела
    watershed(image, markers);

    // Вывести результат
    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); // Отметить границы зелёным
            }
        }
    }

    imshow("Результат водораздела", result);
    waitKey(0);

    return 0;
}

Обнаружение контуров

Обнаружение контуров используется для извлечения границ объектов на изображении.

OpenCV предоставляет функцию findContours для обнаружения контуров.

Пример

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // Прочитать изображение
    Mat image = imread("objects.jpg");
    if (image.empty()) {
        cout << "Ошибка: Не удалось загрузить изображение. Проверьте правильность пути." << endl;
        return -1;
    }

    // Преобразовать в оттенки серого
    Mat gray;
    cvtColor(image, gray, COLOR_BGR2GRAY);

    // Бинаризация
    Mat binary;
    threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);

    // Найти контуры
    vector<vector<Point>> contours;
    vector<Vec4i> hierarchy;
    findContours(binary, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE);

    // Рисуем контуры
    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);
    }

    // Вывести результат
    imshow("Контуры", result);
    waitKey(0);

    return 0;
}

Морфологические операции

Морфологические операции — это методы обработки изображений, основанные на форме, обычно используемые для удаления шума, разделения объектов и многого другого.

Пример

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // Прочитать изображение
    Mat image = imread("noisy_image.jpg");
    if (image.empty()) {
        cout << "Ошибка: Не удалось загрузить изображение. Проверьте правильность пути." << endl;
        return -1;
    }

    // Преобразовать в оттенки серого
    Mat gray;
    cvtColor(image, gray, COLOR_BGR2GRAY);

    // Бинаризация
    Mat binary;
    threshold(gray, binary, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);

    // Определяем ядро
    Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));

    // Операция открытия (удаление шума)
    Mat opened;
    morphologyEx(binary, opened, MORPH_OPEN, kernel);

    // Операция замыкания (заполнение отверстий)
    Mat closed;
    morphologyEx(opened, closed, MORPH_CLOSE, kernel);

    // Вывести результат
    imshow("Исходное бинарное изображение", binary);
    imshow("Изображение после размыкания", opened);
    imshow("Изображение после замыкания", closed);
    waitKey(0);

    return 0;
}

Обработка гистограмм

Обработка гистограмм используется для анализа распределения пикселей изображения. Типичные операции включают выравнивание гистограммы, сопоставление гистограмм и многое другое.

Пример

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // Прочитать изображение
    Mat image = imread("low_contrast.jpg");
    if (image.empty()) {
        cout << "Ошибка: Не удалось загрузить изображение. Проверьте правильность пути." << endl;
        return -1;
    }

    // Преобразовать в оттенки серого
    Mat gray;
    cvtColor(image, gray, COLOR_BGR2GRAY);

    // Выравнивание гистограммы
    Mat equalized;
    equalizeHist(gray, equalized);

    // Вывести результат
    imshow("Исходное изображение", gray);
    imshow("Выровненное изображение", equalized);
    waitKey(0);

    return 0;
}

Сопоставление шаблонов

Сопоставление с шаблоном используется для поиска областей на изображении, похожих на шаблон.

Пример


#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main() {
    // Прочитать изображение и шаблон
    Mat image = imread("scene.jpg");
    Mat templ = imread("template.jpg");
    if (image.empty() || templ.empty()) {
        cout << "Ошибка: Не удалось загрузить изображение. Проверьте правильность пути." << endl;
        return -1;
    }

    // Сопоставление с шаблоном
    Mat result;
    matchTemplate(image, templ, result, TM_CCOEFF_NORMED);

    // Найти позицию наилучшего совпадения
    double minVal, maxVal;
    Point minLoc, maxLoc;
    minMaxLoc(result, &minVal, &maxVal, &minLoc, &maxLoc);

    // Нарисовать прямоугольник
    rectangle(image, maxLoc, Point(maxLoc.x + templ.cols, maxLoc.y + templ.rows), Scalar(0, 255, 0), 2);

    // Вывести результат
    imshow("Сопоставление шаблонов", image);
    waitKey(0);

    return 0;
}
Другие расширения