我们已经得到了感兴趣的轮廓,下一步就是要对轮廓进行选择,有一些轮廓是需要——有一些是不需要的,是噪音。通过判断一个轮廓是否为圆,在很多情况下可以帮助我们来做这至关重要的一步。
简单的情况,比如下图的啤酒瓶缺口检测:
再来看比较复杂的情况,我们来“数钢管”。下图是connection效果,我们发现了很多轮廓,但是只有一部分更接近圆——这些可能就是我们需要寻找的目标。
至关重要的一步就是建立数学模型。2017年左右为解决实际问题,我建立了模型一:
基于圆的定义:
//根据轮廓点和圆心计算方差 参考代码
float ComputeVariance(std : : vector < cv : : Point > theContour,Point2f theCenter)
{
int a[ 65535 ],n;
float aver,s;
float sum = 0 ,e = 0 ;
n = theContour.size();
for ( int i = 0 ;i < n;i ++ )
{
a[i] = GetDistance(theContour[i],theCenter);
sum += a[i];
}
aver = sum / n;
for ( int i = 0 ;i < n;i ++ )
e += (a[i] - aver) * (a[i] - aver);
e /= n - 1 ;
s = sqrt(e);
return e;
}
模型一使用了3年左右,也解决了很多问题,特别对于简单问题来说,效果是很好的。但是它有一个明显的缺点,就是关于这个结果方差的度量,每次都需要不断试验才能够得出一个较好的值。2020年我遇到了前面的“数钢管”问题,出现了新的困难,比如下图:
当轮廓为长条形的时候(上图红圈),会错误地识别为圆。这种长条型轮廓可以抽象为下图红圈:
这种情况的方差可能不是很大,虽然直观理解其它,它很不是一个圆。
经过一段时间思索和寻找,建立模型二:
基于“圆度”的定义:设平面上一个封闭图形(内部无空洞)的面积为S,它的周长为C,则定义该图形的圆度为:
4 * PI * S
Afa = ------------
C * C
正圆的afa为1,轮廓的afa值越接近1,轮廓越解决圆
//afa参考代码
double s = cv : :contourArea(contours_test[i]); //轮廓面积
double c = cv : :arcLength(contours_test[i], true); //轮廓周长
float afa = 4 * PI *s / (c *c); //afa计算
afa = abs(afa - 1);
比较不同afa阈值情况下,对此轮廓筛选结果
afa(越小越好)
|
结果
|
无
|
|
0.5
|
|
0.3
|
|
0.4
|
|
从结果上可以明显看出,afa方法很好地过滤掉了噪音。
感谢阅读至此,希望有所帮助。!
参考资料:
P.S
connection效果参考代码,来自GOCVHelper,在Github上可以找到,说明文件:
//寻找并绘制出彩色联通区域
vector <VP > connection2(Mat src, Mat & draw) {
RNG rng( 12345);
draw = Mat : :zeros(src.rows, src.cols, CV_8UC3);
vector <VP >contours;
findContours(src.clone(), contours, RETR_LIST,CHAIN_APPROX_SIMPLE);
//由于给大的区域着色会覆盖小的区域,所以首先进行排序操作
//冒泡排序,由小到大排序
VP vptmp;
for ( int i = 1; i < contours.size(); i ++) {
for ( int j = contours.size() - 1; j > = i; j --) {
if (contourArea(contours[j]) < contourArea(contours[j - 1]))
{
vptmp = contours[j - 1];
contours[j - 1] = contours[j];
contours[j] = vptmp;
}
}
}
//打印结果
for ( int i = contours.size() - 1; i > = 0; i --) {
Scalar color = Scalar(rng.uniform( 0, 255), rng.uniform( 0, 255), rng.uniform( 0, 255));
drawContours(draw, contours, i, color, - 1);
}
return contours;
}