OpenCV图像处理——C++实现亚像素尺寸标定板边缘轮廓提取

前言

标定模板（Calibration Target）在机器视觉、图像测量、摄影测量以及三维重建等应用中起着重要的作用。它被用于校正相机的畸变，确定物理尺寸和像素之间的换算关系，并建立相机成像的几何模型。通过使用相机拍摄带有固定间距图案阵列的平板，并经过标定算法的计算，我们能够得到相机的几何参数，从而获得高精度的测量和重建结果。

这种标定模板通常具有固定间距的图案阵列，例如棋盘格、圆点阵列等。这些图案提供了已知尺寸的参考点，使得可以精确地计算相机的内参（内部参数）和外参（外部参数）。内参包括焦距、主点等相机内部的属性，而外参包括相机的位置和方向等外部属性。

通过对标定模板进行拍摄和相应的标定过程，可以消除图像中的畸变效应，实现对物体三维几何位置与其在图像中对应点之间的精确关联。这为各种应用场景提供了可靠的基础，包括计算机视觉任务、图像测量、摄影测量以及三维重建等。标定模板的使用有助于提高测量和重建的准确性，并确保获得可靠的结果。
这是使用的标定板是49个圆点的尺寸标定板，为是更好的演示亚像素，所拍的图像大小为320240pix，标定板的大小为130130pix。

在这里插入图片描述

边缘检测

在计算机视觉和机器视觉领域，广泛应用图像分割，这是将数字图像细分为多个子区域的过程。图像分割的目标是简化或改变图像的表示形式，使其更易于理解和分析。这通常包括定位图像中的物体和边界，生成图像子区域或轮廓线的集合。图像分割方法主要涵盖阈值处理（二值化）、聚类法、边缘检测和区域生长等。解决图像分割问题时，通常需要结合领域知识，因为没有统一的范式可以适用于所有情境。

边缘检测是一种基于灰度变化的常见图像分割方法，其核心是提取图像中不连续部分的特征。常见的边缘检测算子包括差分算子、Roberts算子、Sobel算子、Prewitt算子、Log算子以及Canny算子等。其中，Canny算子由计算机科学家John F. Canny于1986年提出，被认为是目前理论上相对最完善的边缘检测算法。
这里面使用了Canny来进行边缘检测，Canny边缘检测是一种经典的图像处理技术，用于检测图像中的边缘。这个算法由约翰·Canny于1986年提出，被广泛应用于计算机视觉和图像处理领域。以下是Canny边缘检测的基本原理和步骤：

  1. 噪声抑制： 使用高斯滤波器对图像进行平滑处理，以减少噪声的影响。这有助于提高后续边缘检测步骤的准确性。

  2. 计算梯度幅值和方向： 利用Sobel等算子计算图像中每个像素点的梯度幅值和方向。梯度表示图像中的变化率，有助于确定潜在的边缘位置。

  3. 非极大值抑制： 在图像的每个像素点上，仅保留梯度幅值最大的方向，从而细化边缘。

  4. 双阈值检测： 将梯度幅值分为高阈值和低阈值两部分。高于高阈值的像素点被认为是强边缘，低于低阈值的像素点被排除。介于两者之间的像素点被标记为弱边缘。

  5. 边缘连接： 通过强边缘的连接，将弱边缘与强边缘关联起来，形成连续的边缘。

Canny边缘检测的优势在于其高准确性、低误差率和对边缘的单一定位。

	cv::Mat cv_gray;if (cv_src.channels() > 1){cv::cvtColor(cv_src, cv_gray, cv::COLOR_BGR2GRAY);}else{cv_gray = cv_src.clone();}cv::Mat cv_edge;//1.边缘检测cv::Canny(cv_gray, cv_edge, 180, 200);cv::imshow("edge", cv_edge);cv::waitKey();

canny的结果：
在这里插入图片描述

轮廓提取

轮廓是由一系列相连的像素点组成的曲线，反映了物体的基本外形特征。常常用于形状分析以及物体的检测和识别任务。
边缘检测通过检测灰度的突变来寻找图像边界，但通常检测到的边缘是零散的片段，没有形成完整的整体。为了从背景中分离目标，需要将这些边缘像素连接起来形成轮廓。换句话说，轮廓是一种连续的曲线，而边缘未必都是连续的。边缘主要被用作图像的特征，而轮廓则更多地用于分析物体的整体形态。
cv::findContours 是OpenCV库中用于查找图像中轮廓的函数。它的基本用法是在二进制图像中找到对象的轮廓，返回一个包含轮廓点集合的列表。
然而，在使用cv::findContours时，会产生内外两个轮廓，为了减少内部，要对获取的轮廓进行进一步的处理：

*** @brief 在二值化边缘图像中检测和分离内部和外部轮廓。** @param cv_edge 二值化边缘图像。* @param inner_contours 用于存储内部轮廓的向量。*/
void contour(cv::Mat& cv_edge, std::vector<std::vector<cv::Point>>& inner_contours)
{// 存储所有检测到的轮廓的向量std::vector<std::vector<cv::Point>> contours;// 存储轮廓之间层次关系的层次向量std::vector<cv::Vec4i> hierarchy;// 在二值化边缘图像中查找轮廓cv::findContours(cv_edge, contours, hierarchy, cv::RETR_CCOMP, cv::CHAIN_APPROX_NONE);// 存储有效轮廓和被排除轮廓的索引的向量std::vector<int> valids;std::vector<int> excludes;// 根据层次关系减少内部轮廓edge_contour_valids(hierarchy, valids, excludes);// 调整 inner_contours 向量的大小以容纳有效轮廓inner_contours.resize(valids.size());// 将有效轮廓的索引映射到相应的轮廓，并存储在 inner_contours 中std::transform(std::execution::par,valids.begin(),valids.end(),inner_contours.begin(),[contours](int i) { return contours[i]; });// 存储外部轮廓的向量std::vector<std::vector<cv::Point>> external_contours(excludes.size());// 将被排除轮廓的索引映射到相应的轮廓，并存储在 external_contours 中std::transform(std::execution::par,excludes.begin(),excludes.end(),external_contours.begin(),[contours](int i) { return contours[i]; });
}

得到轮廓之后，要获取标定板圆前先获取轮廓的矩：

/*** @brief 计算轮廓的属性并进行阈值化，筛选符合条件的轮廓。** @param inner_contours 存储内部轮廓的向量。* @param cv_cont_and 存储轮廓属性的阈值化结果。* @param cont_center 存储轮廓中心点的向量。* @param RADIUS_MAX 最大半径阈值。*/
void contours_attribute(std::vector<cv::Point> &cont_center, std::vector<std::vector<cv::Point>> &inner_contours,cv::Mat & cv_cont_and,double RADIUS_MAX)
{// 获取轮廓的长度std::vector<double> cont_lengths;contour_length(inner_contours, cont_lengths);// 存储轮廓的半径和纵横比std::vector<double> cont_ra, cont_aspect_ratio;cv::Mat_<double> cont_length_mat(cont_lengths);// 计算轮廓中心点和其他属性for (const auto& c : inner_contours){auto M = cv::moments(c);double area = M.m00;auto centerX = int(M.m10 / area);auto centerY = int(M.m01 / area);double m20 = M.mu20 / area;double m02 = M.mu02 / area;double m11 = M.mu11 / area;double c1 = m20 - m02;double c2 = c1 * c1;double c3 = 4 * m11 * m11;cont_center.emplace_back(centerX, centerY);auto ra = sqrt(2.0 * (m20 + m02 + sqrt(c2 + c3)));auto rb = sqrt(2.0 * (m20 + m02 - sqrt(c2 + c3)));cont_ra.emplace_back(ra);cont_aspect_ratio.emplace_back(ra / rb);}// 将属性向量转为 OpenCV 的 Mat 类型cv::Mat_<double> cv_cont_radius(cont_ra);cv::Mat_<double> cv_cont_aspect_ratio(cont_aspect_ratio);// 定义阈值和计算最大轮廓长度cv::Mat cv_aspect_ratio, cv_radius, cv_cont_length;const double CONT_LENGTH_MAX = 2 * M_PI * RADIUS_MAX;// 对纵横比、半径和轮廓长度进行阈值化cv::threshold(cv_cont_aspect_ratio, cv_aspect_ratio, 0.8, 1.0, cv::ThresholdTypes::THRESH_BINARY);cv::threshold(cv_cont_radius, cv_radius, RADIUS_MAX, 1.0, cv::ThresholdTypes::THRESH_BINARY_INV);cv::threshold(cont_length_mat, cv_cont_length, CONT_LENGTH_MAX, 1.0, cv::ThresholdTypes::THRESH_BINARY_INV);// 将阈值结果按位与，存储在 cv_cont_and 中cv::Mat and1;cv::bitwise_and(cv_aspect_ratio, cv_radius, and1);cv::bitwise_and(and1, cv_cont_length, cv_cont_and);
}

在这里插入图片描述

亚像素轮廓提取

使用亚像素插值，获得轮廓的亚像素级坐标：

/*** @brief 对图像进行亚像素插值，获得轮廓的亚像素级坐标。** @param image_gray 灰度图像。* @param filteredCont 过滤后的轮廓向量。* @param contSubPixFull 存储亚像素级坐标的向量的向量。*/
void sub_pix_contour(const cv::Mat& image_gray,const std::vector<std::vector<cv::Point>>& filteredCont,std::vector<std::shared_ptr<std::vector<std::shared_ptr<cv::Point2d>>>>& contSubPixFull)
{// 定义用于插值的系数std::vector<double> p_vec{ 0.004711,  0.069321,  0.245410,  0.361117,  0.245410,  0.069321,  0.004711 };std::vector<double> d1_vec{ -0.018708,  -0.125376,  -0.193091,  0.000000, 0.193091, 0.125376, 0.018708 };std::vector<double> d2_vec{ 0.055336,  0.137778, -0.056554, -0.273118, -0.056554,  0.137778,  0.055336 };// 将系数转为 Mat 类型auto p = cv::Mat_<double>(p_vec);auto d1 = cv::Mat_<double>(d1_vec);auto d2 = cv::Mat_<double>(d2_vec);// 计算图像梯度cv::Mat dx, dy, grad;cv::sepFilter2D(image_gray, dy, CV_64F, p, d1);cv::sepFilter2D(image_gray, dx, CV_64F, d1, p);cv::pow(dy.mul(dy, 1.0) + dx.mul(dx, 1.0), 0.5, grad);// 计算更高阶导数cv::Mat gy, gx, gyy, gxx, gxy;cv::sepFilter2D(grad, gy, CV_64F, p, d1);cv::sepFilter2D(grad, gx, CV_64F, d1, p);cv::sepFilter2D(grad, gyy, CV_64F, p, d2);cv::sepFilter2D(grad, gxx, CV_64F, d2, p);cv::sepFilter2D(grad, gxy, CV_64F, d1, d1);// 对每个轮廓进行亚像素插值contSubPixFull.resize(filteredCont.size());std::transform(std::execution::par,filteredCont.cbegin(),filteredCont.cend(),contSubPixFull.begin(),[&gy, &gx, &gyy, &gxx, &gxy](const std::vector<cv::Point>& cont){return sub_pix_single(gy, gx, gyy, gxx, gxy, cont);});
}

把亚像素轮廓坐标显示：

void SubPixEdge::draw_roi(cv::Mat& cv_src, std::vector<std::vector<cv::Point>>& filtered_cont,std::vector<std::shared_ptr<std::vector<std::shared_ptr<cv::Point2d>>>>& cont_sub_pix,bool show_roi)
{const int up_scale = 50;cv::Mat cv_temp = cv_src.clone();int src_up_w = up_scale * cv_temp.rows;int src_up_h = up_scale * cv_temp.cols;cv::Mat cv_src_up = cv::Mat::zeros(src_up_w, src_up_h, CV_8UC3);for (int i = 0; i < cv_temp.cols; ++i){for (int j = 0; j < cv_temp.rows; ++j){cv::Mat roi = cv_src_up(cv::Rect(i * up_scale, j * up_scale, up_scale, up_scale));roi = cv_temp.at<cv::Vec<uchar, 3>>(j, i);}}std::vector<std::vector<cv::Point>> cont;for (int i = 0; i < cont_sub_pix.size(); ++i){std::vector<cv::Point> dis_cont;for (const auto& p : *cont_sub_pix[i]){//使用 floor() 函数向下取整int x = floor((p->x + 0.5) * up_scale);int y = floor((p->y + 0.5) * up_scale);cv::drawMarker(cv_src_up, cv::Point(x, y), cv::Scalar(0, 0, 255), cv::MARKER_TILTED_CROSS, 20, 5);dis_cont.emplace_back(x, y);}cont.emplace_back(dis_cont);}cv::drawContours(cv_src_up, cont, -1, cv::Scalar(255, 0, 0), 5);cv::drawContours(cv_src, filtered_cont, -1, cv::Scalar(255, 0, 0));if (show_roi){for (int i = 0; i < filtered_cont.size(); ++i){cv::Rect rect = cv::boundingRect(filtered_cont[i]);cv::Mat crop = cv_src(rect);if (crop.empty()){continue;}int up_w = up_scale * rect.width;int up_h = up_scale * rect.height;cv::Mat cv_up = cv::Mat::zeros(up_w, up_h, CV_8UC3);for (int i = 0; i < crop.cols; ++i){for (int j = 0; j < crop.rows; ++j){cv::Mat roi = cv_up(cv::Rect(i * up_scale, j * up_scale, up_scale, up_scale));roi = crop.at<cv::Vec<uchar, 3>>(j, i);}}std::vector<cv::Point> dis_cont;for (const auto& p : *cont_sub_pix[i]){//使用 floor() 函数向下取整int x = floor(((p->x - rect.x) + 0.5) * up_scale);int y = floor(((p->y - rect.y) + 0.5) * up_scale);cv::drawMarker(cv_up, cv::Point(x, y), cv::Scalar(0, 0, 255), cv::MARKER_TILTED_CROSS, 20, 3);dis_cont.emplace_back(x, y);}std::vector<std::vector<cv::Point>> display_contour_full{ dis_cont };cv::drawContours(cv_up, display_contour_full, 0, cv::Scalar(255.0, 0.0, 0.0), 3);cv::namedWindow("upScaled", 0);cv::imshow("upScaled", cv_up);cv::waitKey();}}cv::namedWindow("src", 0);cv::imshow("src", cv_src);cv::namedWindow("sub_pix_src", 0);cv::imshow("sub_pix_src", cv_src_up);cv::waitKey();
}

左边为像素级边缘轮廓，右边为亚像素边缘轮廓：
在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/232130.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

商智C店H5性能优化实战

商智C店H5性能优化实战

前言 商智C店&#xff0c;是依托移动低码能力搭建的一个应用&#xff0c;产品面向B端商家。随着应用体量持续增大&#xff0c;考虑产品定位及用户体验&#xff0c;我们针对性能较差页面做了一次优化&#xff0c;并取得了不错的效果&#xff0c;用户体验值&#xff08;UEI&…
阅读更多...
五步解决Ubuntu界面太小的问题

五步解决Ubuntu界面太小的问题

名人说&#xff1a;莫听穿林打叶声&#xff0c;何妨吟啸且徐行。—— 苏轼《定风波莫听穿林打叶声》 Code_流苏(CSDN)&#xff08;一个喜欢古诗词和编程的Coder&#xff09; 对于20版本及以上的unbuntu我们可以通过安装open-vm-tools来解决界面大小的问题&#xff0c;具体步骤如…
阅读更多...
深度学习中的自动化标签转换：对数据集所有标签做映射转换

深度学习中的自动化标签转换：对数据集所有标签做映射转换

在机器学习中&#xff0c;特别是在涉及图像识别或分类的项目中&#xff0c;标签数据的组织和准确性至关重要。本文探讨了一个旨在高效转换标签数据的 Python 脚本。该脚本在需要更新或更改类标签的场景中特别有用&#xff0c;这是正在进行的机器学习项目中的常见任务。我们将逐…
阅读更多...
差分电路原理以及为什么输出电压要偏移

差分电路原理以及为什么输出电压要偏移

我们在使用放大器芯片的时候&#xff0c;除了对放大器芯片本身应用外&#xff0c;通常还需要搭建一些外围电路来满足放大器芯片的使用条件&#xff0c;最终满足应用的功能&#xff0c;下面通过一个差分电路来熟悉这些应用。 差分运算放大电路&#xff0c;对共模信号得到有效抑…
阅读更多...
Mac打包Unix可执行文件为pkg

Mac打包Unix可执行文件为pkg

Mac打包Unix可执行文件为pkg 方式一&#xff1a;通过packages页面打包 1.下载packages app Distribution&#xff1a;自定义化更高&#xff0c;包括修改安装页面的内容提示 我这里主要演示Distribution模式的项目&#xff1a;通过unix可执行文件postinstall.sh脚本实现通过ma…
阅读更多...
关于java栈和堆

关于java栈和堆

关于java栈和堆 在上一篇文章中我们了解了数组的声明和创建&#xff0c;本篇文章中我们了解一下声明数组&#xff0c;创建数组&#xff0c;给数组赋值以后&#xff0c;栈和堆都是怎么样子分配的&#xff0c;了解一下底层的逻辑知识&#xff0c;让大家可以更好的理解数组&#…
阅读更多...
【Unity 实用工具篇】| 游戏多语言解决方案，官方插件Localization 实现本地化及多种语言切换

【Unity 实用工具篇】| 游戏多语言解决方案，官方插件Localization 实现本地化及多种语言切换

前言 【Unity 实用工具篇】| 游戏多语言解决方案&#xff0c;官方插件Localization 实现本地化及多种语言切换一、多语言本地化插件 Localization1.1 介绍1.2 效果展示1.3 使用说明 二、 插件导入并配置2.1 安装 Localization2.2 全局配置 三、多语言映射表3.1 创建多语言文本配…
阅读更多...
el-form点击提交后把验证失败的数据传给了后端

el-form点击提交后把验证失败的数据传给了后端

问题&#xff1a;版本号需要根据后端返回的结果查看是否可用&#xff0c;在这里1.0.0是不可用的&#xff0c;如果点击其他地方则会报红&#xff0c;可是直接点击提交&#xff0c;则会把1.0.0这个错误的数据也提交给后端。 解决方案&#xff1a; html代码&#xff1a; <el…
阅读更多...
C++上位软件通过LibModbus开源库和西门子S7-1200/S7-1500/S7-200 PLC进行ModbusTcp 和ModbusRTU 通信

C++上位软件通过LibModbus开源库和西门子S7-1200/S7-1500/S7-200 PLC进行ModbusTcp 和ModbusRTU 通信

前言 一直以来上位软件比如C等和西门子等其他品牌PLC之间的数据交换都是大家比较头疼的问题&#xff0c;尤其是C上位软件程序员。传统的方法一般有OPC、Socket 等&#xff0c;直到LibModbus 开源库出现后这种途径对程序袁来说又有了新的选择。 Modbus简介 Modbus特点 1 &#…
阅读更多...
C# Attribute特性实战(1):Swtich判断优化

C# Attribute特性实战(1):Swtich判断优化

文章目录 前言简单Switch问题无参Swtich方法声明Swtich Attribute声明带有Swtich特性方法主方法结果 有参Switch修改代码修改运行过程运行结果 总结 前言 在经过前面两章内容的讲解&#xff0c;我们已经简单了解了如何使用特性和反射。我们这里解决一个简单的案例 C#高级语法 …
阅读更多...
KVM虚拟化技术

KVM虚拟化技术

在当今的云计算时代&#xff0c;虚拟化技术已经成为了企业和个人用户的首选。而在众多虚拟化技术中&#xff0c;KVM&#xff08;Kernel-based Virtual Machine&#xff09;虚拟化技术因其高性能、低成本和灵活性而备受青睐。本文将介绍KVM虚拟化技术的原理、特点以及应用场景。…
阅读更多...
ClickHouse基础介绍

ClickHouse基础介绍

目录 前言 1、什么是clickhouse 2、OLAP场景的关键特征 3、列式存储更适合于OLAP场景的原因 4、clickhouse的独特功能 5、clickhouse的缺点 6、性能 6.1、单个大查询的吞吐量 6.2、处理短查询的延迟时间 6.3、处理大量短查询的吞吐量 6.4、数据的写入性能 前言 11月…
阅读更多...
【Proteus仿真】【Arduino单片机】水箱液位监控系统

【Proteus仿真】【Arduino单片机】水箱液位监控系统

文章目录 一、功能简介二、软件设计三、实验现象联系作者 一、功能简介 本项目使用Proteus8仿真Arduino单片机控制器&#xff0c;使用LCD1602液晶、按键、蜂鸣器、液位传感器、ADC转换器、水泵等。 主要功能&#xff1a; 系统运行后&#xff0c;LCD1602显示当前水位、上下限阈…
阅读更多...
XD6500S一款串口SiP模块 射频LoRa芯片 内置sx1262

XD6500S一款串口SiP模块 射频LoRa芯片 内置sx1262

1.1产品介绍 XD6500S是一款集射频前端和LoRa射频于一体的LoRa SIP模块系列收发器SX1262 senies&#xff0c;支持LoRa⑧和FSK调制。LoRa技术是一种扩频协议优化低数据速率&#xff0c;超长距离和超低功耗用于LPWAN应用的通信。 XD6500S设计具有4.2 mA的有效接收电流消耗&#…
阅读更多...
Android studio环境配置

Android studio环境配置

1.搜索android studio下载 Android Studio - Download 2.安装 3.配置环境 配置gradle&#xff0c;gradle参考网络配置。最后根据项目需求选择不同的jdk。
阅读更多...
c语言-整型在内存的存储

c语言-整型在内存的存储

文章目录 前言一、整型数值在内存中的存储1.1 整型数值的表示形式1.2 二进制的表示形式1.3 整数在内存中存储 二、大端字节序存储和小端字节序存储2.1 大端字节序存储2.2 小端字节序存储2.3 练习 总结 前言 本篇文章叙述c语言中整型数据在内存中的存储方式。 一、整型数值在内…
阅读更多...
Java：IO流详解

Java：IO流详解

文章目录 基础流1、IO概述1.1 什么是IO1.2 IO的分类1.3 顶级父类们 2、字节流2.1 一切皆为字节2.2 字节输出流 OutputStream2.3 FileOutputStream类2.3.1 构造方法2.3.2 写出字节数据2.3.3 数据追加续写2.3.4 写出换行 2.4 字节输入流 InputStream2.5 FileInputStream类2.5.1 构…
阅读更多...
Unity | NGO网络框架

Unity | NGO网络框架

目录 一、相关属性及变量 1.ServerRpc属性 2.ClientRpc属性 3.NetworkVariable变量 二、相关组件 1.NetworkManager 2.Unity Transport 3.Network Object 4.NetworkBehaviour&#xff1a; 5.NetworkTransform Syncing(Synchronizing) Thresholds Interpolation 三…
阅读更多...
fastadmin学习02-修改后台管理员账号密码

fastadmin学习02-修改后台管理员账号密码

问题 如果是别人部署好的fastadmin网站不知道后台登录地址和账号密码怎么办 后台登录地址 public目录下有一个很奇怪的php就是后台登录地址啦 忘记账号密码 找到fa_admin&#xff0c;fa_是前缀&#xff0c;肯能每个项目不太一样 UPDATE fa_admin set password1d020dee8ec…
阅读更多...
【LMM 011】MiniGPT-5：通过 Generative Vokens 进行交错视觉语言生成的多模态大模型

【LMM 011】MiniGPT-5：通过 Generative Vokens 进行交错视觉语言生成的多模态大模型

论文标题&#xff1a;MiniGPT-5: Interleaved Vision-and-Language Generation via Generative Vokens 论文作者&#xff1a;Kaizhi Zheng* , Xuehai He* , Xin Eric Wang 作者单位&#xff1a;University of California, Santa Cruz 论文原文&#xff1a;https://arxiv.org/ab…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023