taoufik прав, и я поддержал его ответ. Я действительно нашел ответ в Поваренной книге по программированию приложений компьютерного зрения OpenCV 2, прежде чем прочитал его комментарий.
Я выбираю свой ответ в качестве ответа, потому что он является более полным для использования в будущем.
@taoufik - еще раз спасибо, чувак!
Я отправлю фрагмент кода, который может быть полезен другим людям (на основе решения, которое я нашел в книге рецептов. Я просто написал короткую версию, а не элегантную реализацию класса из книги рецептов).
Я также добавляю сюда небольшую функцию, которую я написал, которая вычисляет CDF, используемую для нахождения верхнего и нижнего порога для детектора ловких краев в реализации Canny в Matlab, что дает хорошие результаты. Обычно я также делаю размытие по Гауссу перед обнаружением края (как показано в canny.m в Matlab), но прикрепленное изображение синтетически идеально (без шума), поэтому здесь оно избыточно. Я выбрал высокое минимальное значение голоса («порог»), поэтому будут обнаружены только 4 длинные строки.
Начнем с кода в основной функции:
cv::Mat image = cv::imread("shapes.jpg");
int bins = 256;
cv::Mat cdf = getGrayCDF(image,bins);
cv::Mat diffy = cdf>0.7;
cv::Mat NonZero_Locations; // output, locations of non-zero pixels
cv::findNonZero(diffy, NonZero_Locations);
double highThreshold = double((NonZero_Locations.at<cv::Point>(0).y))/bins;
double lowThreshold = 0.4*highThreshold;
cv::Mat contours;
// cv::GaussianBlur( image, contours, cv::Size(7,7),2 ); // NOT REQUIRED HERE. Syhnthetic image
cv::Canny( image, contours, lowThreshold*bins, highThreshold*bins);
std::vector<cv::Vec4i> lines;
double rho = 1; // delta_rho resolution
double theta = CV_PI/180; // delta_theta resolution
int threshold = 300; // threshold number of votes , I SET A HIGH VALUE TO FIND ONLY THE LONG LINES
double minLineLength = 0; // min length for a line
double maxLineGap = 2; // max allowed gap along the line
cv::HoughLinesP(contours,lines, rho, theta, threshold, minLineLength, maxLineGap); // running probabilistic hough line
if (image.channels()!=3) {cv::cvtColor(image,image,CV_GRAY2BGR);} // so we can see the red lines
int line_thickness = 2;
cv::Scalar color=cv::Scalar(0,0,255);
std::vector<cv::Vec4i>::const_iterator iterator_lines = lines.begin();
while (iterator_lines!=lines.end()) {
cv::Point pt1((*iterator_lines)[0],(*iterator_lines)[1]);
cv::Point pt2((*iterator_lines)[2],(*iterator_lines)[3]);
cv::line( image, pt1, pt2, color, line_thickness);
++iterator_lines;
}
cv::imshow("found lines", image); cvWaitKey(0); cv::destroyWindow("found lines");
И я закончу своей функцией для вычисления простой кумулятивной функции распределения оттенков серого:
cv::Mat getGrayCDF(cv::Mat Input, int histSize){
cv::Mat InputGray = Input.clone();
if (InputGray.channels()!=1) {cv::cvtColor(Input,InputGray,CV_BGR2GRAY);}
float range[] = { 0, histSize } ;
const float* histRange = { range };
bool uniform = true; bool accumulate = false;
cv::Mat hist;
calcHist( &InputGray, 1, 0, cv::Mat(), hist, 1, &histSize , &histRange, uniform, accumulate );
for (int i = 1; i < hist.rows; i++) {
float* data = hist.ptr<float>(0);
data[i] += data[i-1];
}
return hist/(InputGray.total()); // WE NOW HAVE A *NORMALIZED* COMPUTED CDF!
}
Мое решение для приведенного выше фрагмента:
Надеюсь, вы найдете это полезным!
person
CV_User
schedule
12.05.2014