2. 程式人生 > >OpenCV4Android學習之影象基本特徵檢測

OpenCV4Android學習之影象基本特徵檢測

阿新 • • 發佈：2019-02-04

影象中的資訊包括邊緣、直線、橢圓、色塊或輪廓、角點等形式，這些資訊在計算機視覺和影象處理語境中通常被稱為特徵。下面就來了解一些結合OpenCV在Android平臺上的常規的特徵檢測演算法，這裡使用AndroidStudio開發平臺，當然Eclipse也一樣。如果對在這兩個IDE上部署OpenCV不熟悉的話，可以參考我之前寫的這篇文章：Eclipse與AndroidStudio關於OpenCV4Android庫的部署

1.邊緣和焦點檢測
邊緣檢測和角點檢測時兩種最基本也是非常有用的特徵檢測演算法，這些演算法包括高斯差分、Canny邊緣檢測器、Sobel運算元和Harris角點。比如我們想在一幅圖中找到不同目標的邊界或者角點，用於分析目標在影象中的旋轉或移動等情況，這時候就需要知道邊緣和角點的資訊了。

  • 高斯差分
    這裡我們先了解下什麼是邊緣和高斯模糊方法，因為下面要用到邊緣這個性質和對影象進行高斯模糊來計算邊緣點，即邊緣點。

    • 簡單的說，邊緣就是影象中畫素亮度變化明顯的點。
    • 高斯（Gaussian）模糊是最常用的模糊方法，是將指定畫素變換為其與周邊畫素加權平均後的值，權重就是高斯分佈函式計算出來的值。OpenCV提供了GaussianBlur()的內建函式，我們可以在應用中使用它執行高斯模糊。這裡是一篇關於高斯模糊演算法的介紹：高斯模糊演算法

    形如：

    Mat src；
    Imgproc.GaussianBlur(src，src，new Size(6,6),0);

    讓我們回到高斯差分技術，其演算法分成三步：

    • 將影象轉換為弧度影象
    • 用兩個不同的模糊半徑對灰色影象執行高斯模糊
    • 對上面兩幅影象相減，得到一副只包含邊緣點的結果影象

    在應用中，建立一個用於給定影象計算邊緣的函式：

    /**
     * 高斯差分
     */
    private void DifferenceOfGaussian() {
        Mat grayMat = new Mat();
        Mat blur1 = new Mat();
        Mat blur2 = new Mat();
        //將影象轉換為灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
        //以兩個不同的模糊半徑對影象做模糊處理,前兩個引數分別是輸入和輸出影象，第三個引數指定應用濾波器時所用核的尺寸，最後一個引數指定高斯函式中的標準差數值
 

        Imgproc.GaussianBlur(grayMat, blur1, new Size(15, 15), 5);
        Imgproc.GaussianBlur(grayMat, blur2, new Size(21, 21), 5);
        //將兩幅模糊後的影象相減
        Mat DoG = new Mat();
        Core.absdiff(blur1, blur2, DoG);
        //反轉二值閾值化
        Core.multiply(DoG, new Scalar(100), DoG);
        Imgproc.threshold(DoG, DoG, 50, 255, Imgproc.THRESH_BINARY_INV);
        //將Mat轉換為點陣圖
        Utils.matToBitmap(DoG, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 設定影象
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

處理結果圖：

高斯差分

  • Canny邊緣檢測器
    Canny邊緣檢測器演算法使用了多向灰度梯度和滯後閾值化等複雜技巧，它是邊緣檢測的最優方法。
    演算法分為四個步驟：
    • 平滑圖：使用合適的模糊半徑執行高斯模糊來減少影象內的噪聲
    • 計算影象梯度：計算影象梯度，並將其分為垂直、水平和斜對角
    • 非最大值：由影象梯度計算得到梯度方向，檢查某一畫素在梯度正方向和負方向的區域性最大值，然後抑制該畫素
    • 用滯後閾值化選擇邊緣：檢查某一條邊緣是否明顯到足以作為最終輸出，最後取出所有不夠明顯的邊緣

下面是OpenCV對該演算法在Android上的實現程式碼：

    /**
     * Canny邊緣檢測器
     */
    private void Canny() {
        Mat grayMat = new Mat();
        Mat cannyEdges = new Mat();
        //將影象轉換為灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_RGB2GRAY);
        Imgproc.Canny(grayMat, cannyEdges, 10, 100);
        //將Mat轉換回點陣圖
        Utils.matToBitmap(cannyEdges, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 設定影象
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

處理結果圖：

Canny邊緣檢測器

  • Sobel運算元
    Sobel運算元和Canny邊緣檢測一樣，計算畫素灰度梯度。
    演算法分為四個步驟：
    • 將影象轉換為灰度影象
    • 計算水平方向灰度梯度絕對值
    • 計算垂直方向灰度梯度絕對值
    • 計算最終梯度

下面是OpenCV對該演算法在Android上的實現程式碼：

    /**
     * Sobel運算元
     */
    private void Sobel() {
        Mat grayMat = new Mat();
        //用來儲存結果的Mat
        Mat sobel = new Mat(); 
        //分別用於儲存梯度和絕對梯度的Mat
        Mat grad_x = new Mat();
        Mat abs_grad_x = new Mat();
        Mat grad_y = new Mat();
        Mat abs_grad_y = new Mat();
        //將影象轉換為灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
        //計算水平方向梯度
        Imgproc.Sobel(grayMat, grad_x, CvType.CV_16S, 1, 0, 3, 1, 0);
        //計算垂直方向梯度
        Imgproc.Sobel(grayMat, grad_y, CvType.CV_16S, 0, 1, 3, 1, 0);
        //計算兩個方向上梯度絕對值
        Core.convertScaleAbs(grad_x, abs_grad_x);
        Core.convertScaleAbs(grad_y, abs_grad_y);
        //計算結果梯度
        Core.addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 1, sobel);
        //將Mat轉換為點陣圖
        Utils.matToBitmap(sobel, currentBitmap);
        loadImageToImageView();
    }
     /**
     * 設定影象
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

處理結果圖：

Sobel運算元

  • Harris角點檢測
    Harris焦點檢測器是一種在角點檢測中最常用的技術，在影象上使用滑動視窗計算亮度的變化。
    下面是OpenCV對該演算法在Android上的實現程式碼：
    /**
     * Harris角點
     */
    private void HarrisCorner() {
        Mat grayMat = new Mat();
        Mat corners = new Mat();
        //將影象轉換成灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
        Mat tempDst = new Mat();
        //找出角點
        Imgproc.cornerHarris(grayMat, tempDst, 2, 3, 0.04);
        //在新的影象上繪製角點
        Mat tempDstNorm = new Mat();
        Core.normalize(tempDst, tempDstNorm, 0, 255, Core.NORM_MINMAX);
        Core.convertScaleAbs(tempDstNorm, corners);
        //將Mat轉換為點陣圖
        Random r = new Random();
        for (int i = 0; i < tempDstNorm.cols(); i++) {
            for (int j = 0; j < tempDstNorm.rows(); j++) {
                double[] value = tempDstNorm.get(j, i);
                if (value[0] > 150)
                    Core.circle(corners, new Point(i, j), 5, new Scalar(r.nextInt(255)), 2);
            }
        }
        //將Mat轉換為點陣圖
        Utils.matToBitmap(corners, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 設定影象
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

處理結果圖：

Harris角點檢測

2.霍夫變換
對於影象分析來說，除了邊緣和角點外，還需要檢測如直線、圓、橢圓等其他相關形狀。例如我們想在一張桌子的影象中檢測簽字筆等，對於這種情況，一般採用霍夫變換這種技術，它被廣泛採用的利用數學等式的引數形式在影象中檢測形狀的技術。通常我們考慮二維形狀的霍夫變換，比如直線和圓，它相對於球體等複雜形狀而言更為簡單。

  • 霍夫直線
    我們對於霍夫變化一般不會直接對影象執行演算法，因為影象中任何一條明顯的直線都一定是邊緣，反之則不然。OpenCV提供了兩種實現霍夫直線的方式：標準霍夫直線和概率霍夫直線。它們的主要區別在於概率霍夫直線選取經過隨機取樣的邊緣點子集，而不是所有的邊緣點。因為這種方式處理的點更少，所以這使得演算法的執行速度更快，而不會降低演算法的效果。
    下面是OpenCV對該演算法在Android上的實現程式碼：

    /**
 * 霍夫直線
 */
private void HoughLines() {
    Mat grayMat = new Mat();
    Mat cannyEdges = new Mat();
    Mat lines = new Mat();
    //將影象轉換成灰度
    Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
    //這裡使用Canny邊緣檢測技術計算影象中的邊緣，使用其他的也可以
    Imgproc.Canny(grayMat, cannyEdges, 10, 100);
    Imgproc.HoughLinesP(cannyEdges, lines, 1, Math.PI / 180, 50, 20, 20);
    Mat houghLines = new Mat();
    houghLines.create(cannyEdges.rows(), cannyEdges.cols(), CvType.CV_8UC1);
    //在影象上繪製直線
    for (int i = 0; i < lines.cols(); i++) {
        double[] points = lines.get(0, i);
        double x1, y1, x2, y2;
        x1 = points[0];
        y1 = points[1];
        x2 = points[2];
        y2 = points[3];
        Point pt1 = new Point(x1, y1);
        Point pt2 = new Point(x2, y2);
        //在一副影象上繪製直線
        Core.line(houghLines, pt1, pt2, new Scalar(255, 0, 0), 1);
    }
    //將Mat轉換為點陣圖
    Utils.matToBitmap(houghLines, currentBitmap);
    loadImageToImageView();
}
/**
 * 設定影象
 */
private void loadImageToImageView() {
    ImageView imgView = (ImageView) findViewById(R.id.image_view);
    imgView.setImageBitmap(currentBitmap);
}

    處理結果圖：

    霍夫直線檢測

  • 霍夫圓

    與霍夫直線類似，步驟也一樣。
    下面是OpenCV對該演算法在Android上的實現程式碼：

    /**
     *霍夫圓
     */
    private void HoughCircles() {
        Mat grayMat = new Mat();
        Mat cannyEdges = new Mat();
        Mat circles = new Mat();
        //將影象轉換成灰度
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
       //這裡使用Canny邊緣檢測技術計算影象中的邊緣，使用其他的也可以
        Imgproc.Canny(grayMat, cannyEdges, 10, 100);
        Imgproc.HoughCircles(cannyEdges, circles, Imgproc.CV_HOUGH_GRADIENT, 1, cannyEdges.rows() / 15);
        Mat houghCircles = new Mat();
        houghCircles.create(cannyEdges.rows(), cannyEdges.cols(), CvType.CV_8UC1);
        //在影象上繪製圓形
        for (int i = 0; i < circles.cols(); i++) {
            double[] parameters = circles.get(0, i);
            double x, y;
            int r;
            x = parameters[0];
            y = parameters[1];
            r = (int) parameters[2];
            Point center = new Point(x, y);
            //在一副影象上繪製圓形
            Core.circle(houghCircles, center, r, new Scalar(255, 0, 0), 1);
        }
        //將Mat轉換為點陣圖
        Utils.matToBitmap(houghCircles, currentBitmap);
        loadImageToImageView();
    }
     /**
     * 設定影象
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

處理結果圖：

霍夫圓檢測

3.輪廓
有時候我們只想關注於感興趣的目標，這就需要將影象分解成更小的片元，比如我們在一角、五角和一元硬幣中分析五角的情況。我們有兩種實現途徑，一種是使用霍夫圓，另一種就是利用輪廓檢測將影象分割為更小的部分，每個部分代表一個特定的硬幣。輪廓通常以影象中的邊緣來計算，邊緣與輪廓的區別在於輪廓是閉合的，邊緣可以是任意的。
下面是OpenCV對該演算法在Android上的實現程式碼：

    /**
     * 輪廓檢測
     */
    private void Contours() {
        Mat grayMat = new Mat();
        Mat cannyEdges = new Mat();
        Mat hierarchy = new Mat();
        List<MatOfPoint> contourList = new ArrayList<MatOfPoint>(); //A list to store all the contours
        //儲存輪廓列表
        Imgproc.cvtColor(originalMat, grayMat, Imgproc.COLOR_BGR2GRAY);
         //這裡使用Canny邊緣檢測技術計算影象中的邊緣，使用其他的也可以
        Imgproc.Canny(originalMat, cannyEdges, 10, 100);
        //找出輪廓
        Imgproc.findContours(cannyEdges, contourList, hierarchy, Imgproc.RETR_LIST, Imgproc.CHAIN_APPROX_SIMPLE);
        //在新的影象上繪製輪廓
        Mat contours = new Mat();
        contours.create(cannyEdges.rows(), cannyEdges.cols(), CvType.CV_8UC3);
        Random r = new Random();
        for (int i = 0; i < contourList.size(); i++) {
            Imgproc.drawContours(contours, contourList, i, new Scalar(r.nextInt(255), r.nextInt(255), r.nextInt(255)), -1);
        }
        //將Mat轉換為點陣圖
        Utils.matToBitmap(contours, currentBitmap);
        loadImageToImageView();
    }
    /**
     * 設定影象
     */
    private void loadImageToImageView() {
        ImageView imgView = (ImageView) findViewById(R.id.image_view);
        imgView.setImageBitmap(currentBitmap);
    }

處理結果圖：

輪廓檢測

以上就是影象的基本特徵在Android裝置上實現的不同演算法，也是我們在Android相關應用開發中的基礎。

相關推薦

OpenCV4Android學習之影象基本特徵檢測

影象中的資訊包括邊緣、直線、橢圓、色塊或輪廓、角點等形式，這些資訊在計算機視覺和影象處理語境中通常被稱為特徵。下面就來了解一些結合OpenCV在Android平臺上的常規的特徵檢測演算法，這裡使用AndroidStudio開發平臺，當然Eclipse也一樣。如果

【OpenCV學習筆記】之影象輪廓特徵與影象的矩

轉載： https://blog.csdn.net/zhu_hongji/article/details/81699736   一、影象的輪廓(Contours of Image)        輪廓可以說是一個很好的影象目標的

opencv學習(四十四)之影象角點檢測Harris

1.概述 角點是影象很重要的特徵，對影象圖形的理解和分析有很重要的作用，在保留影象圖形重要特徵的同時，可以有效減少資訊的資料量，使資訊的含量很高，有效提高計算速度，有利於影象的可靠匹配，使得實時處理成為可能。在物體識別、影象匹配、視覺跟蹤和三維重建等方面有很重

Opencv學習之影象邊緣檢測

該部落格只為記錄點滴所學，若有誤導，還請大家原諒，並不吝賜教。          一直不太明白應用函式求導的方法能求出影象強度變化的邊緣，其實就是影象邊緣檢測。現在終於想通了，解釋如下。比如一張如下的圖片： 圖1 檢測邊緣可以檢測到狗和兔子的輪廓。因為它們的輪廓跟其周

Python的學習之旅———基本數據類型 (元組)

切片 bsp 操作 取值 可變 tro num nbsp 運算 可以存儲多個值 主要用來讀 元組不可變 可以當作字典的key number=(10，12，34，65，234，123) # number=tuple(10，12，34，65，234，123) 可以按照索引取值

Python的學習之旅———基本數據類型(字符編碼)

統一 所有 語言 一個 記錄 取代 edi 科學 文字 計算機中儲存的信息都是用二進制數表示的。通俗的說，按照何種規則將字符存儲在計算機中，如‘n‘用什麽表示，稱為"編碼"；反之，將存儲在計算機中的二進制數解析顯示出來，稱為"解碼".在解碼過程中，如果使用了錯誤的解碼規則，

Python學習之路-基本數據類型

bool bsp 基本數據 ring mar odi complex oat python 數字number 整數int 復數complex 浮點數float 小整數池：-5~257 布爾值bool True Falsel 三元運算 __author__

Java開發學習之java基本數據類型

培訓班 otto oat style 簡單 lean 實用 類型 str 數據類型是每個編程語言必不可少的基礎知識，也是必須要掌握的技能，很多人知識簡單的進行理解，並沒有很系統的進行知識的梳理，以下是對java語言的內置數據類型匯總：　　Java語言有8種基本類型。6種數字

深度學習之影象的資料增強方法彙總

參考：https://www.jianshu.com/p/99450dbdadcf 在深度學習專案中，尋找資料花費了相當多的時間。但在很多實際的專案中，我們難以找到充足的資料來完成任務。為了要保證完美地完成專案，有兩件事情需要做好：1、尋找更多的資料；2、資料增強。本篇主要描述資料增強。 有

深度學習之影象的資料增強

本文轉載自：http://www.cnblogs.com/gongxijun/p/6117588.html 在影象的深度學習中，為了豐富影象訓練集，更好的提取影象特徵，泛化模型（防止模型過擬合），一般都會對資料影象進行資料增強，資料增強，常用的方式，就是：旋轉影象，剪下影象，改變影象色差,扭

影象處理之影象基本變化（平移、縮放、旋轉）（Octave實現）

在模式識別及計算機視覺中，要經常進行影象的變化。 例如：在識別手寫數字中，我們可能在廣泛應用中要求所有的圖片都是20*20這麼好的規格。所以，我們就需要進行縮放來達到目的。 今天來總結下學到的影象的基本變換。 首先我們計 (w,v) (w,v)為源影象的

深度學習之影象分類模型AlexNet解讀

版權宣告：本文為博主原創文章 https://blog.csdn.net/sunbaigui/article/details/39938097 在imagenet上的影象分類challenge上Alex提出的alexnet網路結構模型贏得了2012屆的冠軍。要研究CNN型別

python學習之路-基本資料型別1 變數的概念、數字、字串

1 什麼是資料型別？ 每種程式語言都有自己的資料型別，用於標識計算機可以認識的資料，Python中主要的資料型別為字串，整數，浮點數，列表，元祖，字典，集合七種主要的資料型別，其中以列表，字典為最主要的資料型別。 2 什麼是變數？ 在說資料型別之前，首先說一下變數，那什麼是變數？簡單講，變數就是一個容器

Python學習之Git基本操作

版本庫建立 什麼是版本庫呢？版本庫又名倉庫，英文名repository，你可以簡單理解成一個目錄，這個目錄裡面的所有檔案都可以被Git管理起來，每個檔案的修改、刪除，Git都能跟蹤，以便任何時刻都可以追蹤歷史，或者在將來某個時刻可以“還原”。 所以，建立一個版本庫非常簡單，首先，選擇一個合適

萌新學習手冊：surf特徵檢測

#include<opencv2/xfeatures2d.hpp> using namespace xfeatures2d;  嗯，在開頭要包含這個庫然後申明名稱空間 src = i

機器學習之過濾式特徵選擇

機器學習之過濾式特徵選擇 # -*- coding: utf-8 -*- """ Created on Sat Dec 8 16:58:09 2018 @author: muli """ from sklearn.feature_selection import

scala學習 之 及 基本和高階用法（二）

目錄 1. Scala的資料型別 2. Scala變數 3. Scala 訪問修飾符 4. Scala 方法和函式 5. Scala陣列 6. Collection（集合） 7. Scala的類和物件 8. Scala的介面trait 9

python爬蟲學習之XPath基本語法

XPath 使用路徑表示式來選取 XML 文件中的節點或節點集。節點是通過沿著路徑（path）或者步（steps）來選取的。 XML例項文件 我們將在下面的例子中使用這個XML文件。 <?xml version="1.0" encoding="ISO-8859-1"?> <

基於C++和OpenCv的SIFT_影象區域性特徵檢測演算法程式碼的實現

SIFT：尺度不變特徵變換匹配演算法詳解 本章將要講解的內容如下所示：    1）SIFT演算法的簡介    2）SIFT演算法的實現細節    3）SIFT演算法的應用領域    4）SIFT演算法的改進與擴充套件 一 SIFT演算法的簡介   1）傳統的特徵提取方法 成

深度學習之影象分類模型AlexNet結構分析和tensorflow實現

在ImageNet上的影象分類challenge上，Hinton和他的學生Alex Krizhevsky提出的AlexNet網路結構模型贏得了2012屆的冠軍，重新整理了Image Classification的機率。因此，要研究CNN型別深度學習模型在影象分