OpenCV锐化边缘(没有孔的边缘)

Question

我正在尝试检测最大/较大的矩形形状并将边界框绘制到检测到的区域。在我的用例中，代表矩形形状的对象经常(但不总是)是白色的，背景的颜色也与白色非常相似。

在检测轮廓之前，我对图像进行了预处理以检测完美的边缘。我的问题是我无法完美地检测到边缘，即使在模糊和使用“自适应阈值”或“阈值”之后我也有很多噪音。

The original image i have used for contours detection

我尝试了不同的方法来检测不同光照条件下的完美边缘，但没有成功。

如何处理图像以检测用于轮廓检测的完美边缘(没有孔的边缘)？

下面是我使用的代码

public static Mat findRectangleX(Mat original) {
  Mat src = original.clone();
  Mat gray = new Mat();
  Mat binary = new Mat();
  MatOfPoint2f approxCurve;
  List<MatOfPoint> contours = new ArrayList<MatOfPoint>();

    if (original.type() != CvType.CV_8U) {
        Imgproc.cvtColor(original, gray, Imgproc.COLOR_BGR2GRAY);
    } else {
        original.copyTo(gray);
    }

    Imgproc.GaussianBlur(gray, gray, new Size(5,5),0);
    Imgproc.adaptiveThreshold(gray, binary, 255,Imgproc.ADAPTIVE_THRESH_GAUSSIAN_C,Imgproc.THRESH_BINARY_INV,11, 1);

    //Imgproc.threshold(gray, binary,0,255,Imgproc.THRESH_BINARY_INV | Imgproc.THRESH_OTSU);


    double maxArea = 0;
    Imgproc.findContours(binary, contours, new Mat(),Imgproc.RETR_LIST, Imgproc.CHAIN_APPROX_SIMPLE);

    for (int i = 0; i<contours.size();i++) {
        MatOfPoint contour = contours.get(i);
        MatOfPoint2f temp = new MatOfPoint2f(contour.toArray());
        double area = Imgproc.contourArea(contour);
        approxCurve = new MatOfPoint2f();
        Imgproc.approxPolyDP(temp, approxCurve, Imgproc.arcLength(temp, true) * 0.03, true);

        if (approxCurve.total() == 4 ) {
            Rect rect = Imgproc.boundingRect(contours.get(i));
            Imgproc.rectangle(src, rect.tl(), rect.br(), new Scalar(255, 0, 0, .8), 4);
            if(maxArea < area)
                maxArea = area;
        }
    }

    Log.v(TAG, "Total contours found : " + contours.size());
    Log.v(TAG, "Max area :" + maxArea);

    return src;

}

我在 stackoverflow 上搜索了类似的问题并尝试了代码示例，但它们中的任何一个都对我有用。我认为的困难是白色背景上的白色物体。

如何处理图像以锐化轮廓检测的边缘？

如何检测最大/较大的矩形形状并将矩形线绘制到检测到的形状？

//更新时间:2017 年 2 月 20 日

我已经尝试了@Nejc 在下面的帖子中建议的解决方案。分割效果更好，但我的轮廓仍然有漏洞，并且 findcontours 无法检测到较大的轮廓。以下是@Nejc 提供并翻译成 java 的代码。

public static Mat process(Mat original){
    Mat src = original.clone();
    Mat hsvMat = new Mat();
    Mat saturation = new Mat();
    Mat sobx = new Mat();
    Mat soby = new Mat();
    Mat grad_abs_val_approx = new Mat();

    Imgproc.cvtColor(src, hsvMat, Imgproc.COLOR_BGR2HSV);
    List<Mat> hsv_channels = new ArrayList<Mat>(3);
    Core.split(hsvMat, hsv_channels);
    Mat hue = hsv_channels.get( 0 );
    Mat sat = hsv_channels.get( 1 );
    Mat val = hsv_channels.get( 2 );

    Imgproc.GaussianBlur(sat, saturation, new Size(9, 9), 2, 2);
    Mat imf = new Mat();
    saturation.convertTo(imf, CV_32FC1, 0.5f, 0.5f);

    Imgproc.Sobel(imf, sobx, -1, 1, 0);
    Imgproc.Sobel(imf, soby, -1, 0, 1);

    sobx = sobx.mul(sobx);
    soby = soby.mul(soby);

    Mat abs_x = new Mat();
    Core.convertScaleAbs(sobx,abs_x);
    Mat abs_y = new Mat();
    Core.convertScaleAbs(soby,abs_y);
    Core.addWeighted(abs_x, 1, abs_y, 1, 0, grad_abs_val_approx);

    sobx.release();
    soby.release();


    Mat filtered = new Mat();
    Imgproc.GaussianBlur(grad_abs_val_approx, filtered, new Size(9, 9), 2, 2);

    final MatOfDouble mean = new MatOfDouble();
    final MatOfDouble stdev = new MatOfDouble();
    Core.meanStdDev(filtered, mean, stdev);

    Mat thresholded = new Mat();
    Imgproc.threshold(filtered, thresholded, mean.toArray()[0] + stdev.toArray()[0], 1.0, Imgproc.THRESH_TOZERO);

    /*
    Mat thresholded_bin = new Mat();
    Imgproc.threshold(filtered, thresholded_bin, mean.toArray()[0] + stdev.toArray()[0], 1.0, Imgproc.THRESH_BINARY);
    Mat converted = new Mat();
    thresholded_bin.convertTo(converted, CV_8UC1);
    */

    return thresholded;
}

这是我运行上面的代码后得到的图像

Image after using @Nejc solution

1) 为什么我翻译后的代码输出的图像与@Nejc 不一样？应用于相同图像的相同代码应该产生相同的输出？

2) 我在翻译的时候漏掉了什么吗？

3) 根据我的理解，为什么我们在这条指令中将图像乘以自身 sobx = sobx.mul(sobx); ？

Answer 1

通过计算输入图像梯度绝对值的近似值，我设法获得了一张非常漂亮的边缘图像。

编辑:在我开始工作之前，我将输入图像的尺寸缩小了 5 倍。 Click here to see it! .如果你在那个图像上使用我的代码，结果会很好。如果你想让我的代码很好地处理原始尺寸的图像，那么:

• 将高斯核大小和西格玛乘以 5，或
• 按因子 5 对图像进行下采样，执行算法，然后按因子 5 对结果进行上采样(这应该比第一个选项快得多)

这是我得到的结果:

我的程序依赖于两个关键特性。首先是转换到适当的色彩空间。 As Jeru Luke stated in his answer ，HSV 颜色空间中的饱和度 channel 是这里不错的选择。第二个重要的事情是梯度绝对值的估计。为此，我使用了 sobel 运算符和一些算术。如果有人要求，我可以提供额外的解释。

这是我用来获取第一张图片的代码。

using namespace std;
using namespace cv;

Mat img_rgb = imread("letter.jpg");

Mat img_hsv;
cvtColor(img_rgb, img_hsv, CV_BGR2HSV);
vector<Mat> channels_hsv;
split(img_hsv, channels_hsv);

Mat channel_s = channels_hsv[1];
GaussianBlur(channel_s, channel_s, Size(9, 9), 2, 2);

Mat imf;
channel_s.convertTo(imf, CV_32FC1, 0.5f, 0.5f);

Mat sobx, soby;
Sobel(imf, sobx, -1, 1, 0);
Sobel(imf, soby, -1, 0, 1);

sobx = sobx.mul(sobx);
soby = soby.mul(soby);

Mat grad_abs_val_approx;
cv::pow(sobx + soby, 0.5, grad_abs_val_approx);

Mat filtered;
GaussianBlur(grad_abs_val_approx, filtered, Size(9, 9), 2, 2);

Scalar mean, stdev;
meanStdDev(filtered, mean, stdev);

Mat thresholded;
cv::threshold(filtered, thresholded, mean.val[0] + stdev.val[0], 1.0, CV_THRESH_TOZERO);

// I scale the image at this point so that it is displayed properly 
imshow("image", thresholded/50);

这就是我计算第二张图片的方式:

Mat thresholded_bin;
cv::threshold(filtered, thresholded_bin, mean.val[0] + stdev.val[0], 1.0, CV_THRESH_BINARY);

Mat converted;
thresholded_bin.convertTo(converted, CV_8UC1);

vector<vector<Point>> contours;
findContours(converted, contours, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);

Mat contour_img = Mat::zeros(converted.size(), CV_8UC1);
drawContours(contour_img, contours, -1, 255);

imshow("contours", contour_img);