我們有時候需要求取某一個物體重心，這裡一般將影象二值化，得出該物體的輪廓，然後根據灰度重心法，計算出每一個物體的中心。

步驟如下：

1）合適的閾值二值化

2）求取輪廓

3）計算重心

otsu演算法求取最佳閾值

otsu法（最大類間方差法，有時也稱之為大津演算法）使用的是聚類的思想，把影象的灰度數按灰度級分成2個部分，使得兩個部分之間的灰度值差異最大，每個部分之間的灰度差異最小，通過方差的計算來尋找一個合適的灰度級別來劃分，otsu演算法被認為是影象分割中閾值選取的最佳演算法，計算簡單，不受影象亮度和對比度的影響。因此,使類間方差最大的分割意味著錯分概率最小。

計算輪廓

opencv中函式findContours函式

findContours（二值化影象，輪廓，hierarchy，輪廓檢索模式，輪廓近似辦法，offset）

灰度重心法

利用灰度重心法計算中心，灰度重心法將區域內每一畫素位置處的灰度值當做該點的“質量”，其求區域中心的公式為：

其中，f(u,v)是座標為(u,v)的畫素點的灰度值， 是目標區域集合， 是區域中心座標，灰度重心法提取的是區域的能量中心。

//otsu演算法實現函式
int Otsu(Mat &image)
{
  int width = image.cols;
  int height = image.rows;
  int x = 0,y = 0;
  int pixelCount[256];
  float pixelPro[256];
  int i,j,pixelSum = width * height,threshold = 0;

  uchar* data = (uchar*)image.data;

  //初始化 
  for (i = 0; i < 256; i++)
  {
    pixelCount[i] = 0;
    pixelPro[i] = 0;
  }

  //統計灰度級中每個畫素在整幅影象中的個數 
  for (i = y; i < height; i++)
  {
    for (j = x; j<width; j++)
    {
      pixelCount[data[i * image.step + j]]++;
    }
  }


  //計算每個畫素在整幅影象中的比例 
  for (i = 0; i < 256; i++)
  {
    pixelPro[i] = (float)(pixelCount[i]) / (float)(pixelSum);
  }

  //經典ostu演算法,得到前景和背景的分割 
  //遍歷灰度級[0,255],計算出方差最大的灰度值,為最佳閾值 
  float w0,w1,u0tmp,u1tmp,u0,u1,u,deltaTmp,deltaMax = 0;
  for (i = 0; i < 256; i++)
  {
    w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;

    for (j = 0; j < 256; j++)
    {
      if (j <= i) //背景部分 
      {
        //以i為閾值分類，第一類總的概率 
        w0 += pixelPro[j];
        u0tmp += j * pixelPro[j];
      }
      else    //前景部分 
      {
        //以i為閾值分類，第二類總的概率 
        w1 += pixelPro[j];
        u1tmp += j * pixelPro[j];
      }
    }

    u0 = u0tmp / w0;    //第一類的平均灰度 
    u1 = u1tmp / w1;    //第二類的平均灰度 
    u = u0tmp + u1tmp;   //整幅影象的平均灰度 
                //計算類間方差 
    deltaTmp = w0 * (u0 - u)*(u0 - u) + w1 * (u1 - u)*(u1 - u);
    //找出最大類間方差以及對應的閾值 
    if (deltaTmp > deltaMax)
    {
      deltaMax = deltaTmp;
      threshold = i;
    }
  }
  //返回最佳閾值; 
  return threshold;
}

int main()
{
  Mat White=imread("white.tif");//讀取影象
  int threshold_white = otsu(White);//閾值計算，利用otsu
  cout << "最佳閾值：" << threshold_white << endl;
  Mat thresholded = Mat::zeros(White.size(),White.type());
  threshold(White,thresholded,threshold_white,255,CV_THRESH_BINARY);//二值化
  vector<vector<Point>>contours;
  vector<Vec4i>hierarchy;
  findContours(thresholded,contours,hierarchy,CV_RETR_CCOMP,CV_CHAIN_APPROX_SIMPLE);//查詢輪廓

  int i = 0;
  int count = 0;
  Point pt[10];//假設有三個連通區域
  Moments moment;//矩
  vector<Point>Center;//建立一個向量儲存重心座標
  for (; i >= 0; i = hierarchy[i][0])//讀取每一個輪廓求取重心
  {
    Mat temp(contours.at(i));
    Scalar color(0,255);
    moment = moments(temp,false);
    if (moment.m00 != 0)//除數不能為0
    {
      pt[i].x = cvRound(moment.m10 / moment.m00);//計算重心橫座標
      pt[i].y = cvRound(moment.m01 / moment.m00);//計算重心縱座標

    }
      Point p = Point(pt[i].x,pt[i].y);//重心座標
      circle(White,p,1,color,8);//原圖畫出重心座標
      count++;//重心點數或者是連通區域數
      Center.push_back(p);//將重心座標儲存到Center向量中
    }
  }
  cout << "重心點個數：" << Center.size() << endl;
  cout << "輪廓數量：" << contours.size() << endl;
  imwrite("Center.tif",White);
}

原圖：

二值化：

重心點：

補充知識：opencv 根據模板凸包求閾值化後的輪廓組合

影象處理中，要求特徵與背景的對比度高，同時，合適的影象分割也是解決問題的關鍵。

博主以前的方法，預設為特徵必然是最大的連通域，所以閾值化後，查詢輪廓，直接提取面積最大的輪廓即可。

但可能會存在另一種情況，不論怎麼閾值化和膨脹，想要的特徵被分成好幾塊，也即斷開了。此時，再加上一些不可預測的干擾和噪聲，findcontours之後，會得到很多輪廓。

那麼問題來了，我們需要的是哪個輪廓，或者是哪幾個輪廓組合的區域？

本文的意義也在於此。

根據模板的凸包，求出影象中最相似的輪廓組合。

本方法，主要用到matchshapes函式，並基於這樣一個前提：模板凸包的2/3部分，與模板凸包的相似度，大於模板凸包的1/2部分。

話不多說，上程式碼。

void getAlikeContours(std::vector<cv::Point> Inputlist,cv::Mat InputImage,std::vector<cv::Point> &Outputlist)
{
 Mat image;
 InputImage.copyTo(image);
 vector<vector<Point> > contours;
 findContours(image,RETR_EXTERNAL,CHAIN_APPROX_NONE);//查詢最外層輪廓
 for (int idx = contours.size() - 1; idx >= 0; idx--)
  {
	for (int i = contours[idx].size() - 1; i >= 0; i--)
	{
		if (contours[idx][i].x == 1 || contours[idx][i].y == 1 || contours[idx][i].x == image.cols - 2 || contours[idx][i].y == image.rows - 2)
		{
			swap(contours[idx][i],contours[idx][contours[idx].size() - 1]);
			contours[idx].pop_back();
			
		}
	}
	//可能會存在空的輪廓，把他們刪除
	for (int idx = contours.size() - 1; idx >= 0; idx--)
	{
		if (contours[idx].size() == 0) contours.erase(contours.begin() + idx);
	}
 
	while (true)
	{
		if (contours.size() == 0) break;
		if (contours.size() == 1)
		{
			vector<Point> finalList;
			finalList.assign(contours[0].begin(),contours[0].end());
			convexHull(Mat(finalList),Outputlist,true);
			break;
		}
 
		int maxContourIdx = 0;
		int maxContourPtNum = 0;
		for (int index = contours.size() - 1; index >= 0; index--)
		{
			if (contours[index].size() > maxContourPtNum)
			{
				maxContourPtNum = contours[index].size();
				maxContourIdx = index;
			}
		}
		//第二大輪廓
		int secondContourIdx = 0;
		int secondContourPtNum = 0;
		for (int index = contours.size() - 1; index >= 0; index--)
		{
			if (index == maxContourIdx) continue;
			if (contours[index].size() > secondContourPtNum)
			{
				secondContourPtNum = contours[index].size();
				secondContourIdx = index;
			}
		}
		vector<Point> maxlist;
		vector<Point> maxAndseclist;
		vector<Point> maxlistHull;
		vector<Point> maxAndseclistHull;
		maxlist.insert(maxlist.end(),contours[maxContourIdx].begin(),contours[maxContourIdx].end());
		maxAndseclist.insert(maxAndseclist.end(),contours[secondContourIdx].begin(),contours[secondContourIdx].end());
		convexHull(Mat(maxlist),maxlistHull,true);
		convexHull(Mat(maxAndseclist),maxAndseclistHull,true);
		double maxcontourScore = matchShapes(Inputlist,CV_CONTOURS_MATCH_I1,0);
		double maxandseccontourScore = matchShapes(Inputlist,0);
		if (maxcontourScore>maxandseccontourScore)
		{
			contours[maxContourIdx].insert(contours[maxContourIdx].end(),contours[secondContourIdx].end());
		}
		contours.erase(contours.begin() + secondContourIdx);
	}
}

以上這篇Opencv求取連通區域重心例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。