- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章使用OpenCV去除面积较小的连通域由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
这是后期补充的部分,和前期的代码不太一样 。
效果图 。
源代码 。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
|
/
/
测试
void CCutImageVS2013Dlg::OnBnClickedTestButton1()
{
vector<vector<Point> > contours;
/
/
轮廓数组
vector<Point2d> centers;
/
/
轮廓质心坐标
vector<vector<Point> >::iterator itr;
/
/
轮廓迭代器
vector<Point2d>::iterator itrc;
/
/
质心坐标迭代器
vector<vector<Point> > con;
/
/
当前轮廓
double area;
double minarea
=
1000
;
double maxarea
=
0
;
Moments mom;
/
/
轮廓矩
Mat image, gray, edge, dst;
image
=
imread(
"D:\\66.png"
);
cvtColor(image, gray, COLOR_BGR2GRAY);
Mat rgbImg(gray.size(), CV_8UC3);
/
/
创建三通道图
blur(gray, edge, Size(
3
,
3
));
/
/
模糊去噪
threshold(edge, edge,
200
,
255
, THRESH_BINARY_INV);
/
/
二值化处理,黑底白字
/
/
-
-
-
-
-
-
-
-
去除较小轮廓,并寻找最大轮廓
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
findContours(edge, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);
/
/
寻找轮廓
itr
=
contours.begin();
/
/
使用迭代器去除噪声轮廓
while
(itr !
=
contours.end())
{
area
=
contourArea(
*
itr);
/
/
获得轮廓面积
if
(area<minarea)
/
/
删除较小面积的轮廓
{
itr
=
contours.erase(itr);
/
/
itr一旦erase,需要重新赋值
}
else
{
itr
+
+
;
}
if
(area>maxarea)
/
/
寻找最大轮廓
{
maxarea
=
area;
}
}
dst
=
Mat::zeros(image.rows, image.cols, CV_8UC3);
/
*
绘制连通区域轮廓,计算质心坐标
*
/
Point2d center;
itr
=
contours.begin();
while
(itr !
=
contours.end())
{
area
=
contourArea(
*
itr);
con.push_back(
*
itr);
/
/
获取当前轮廓
if
(area
=
=
maxarea)
{
vector<Rect> boundRect(
1
);
/
/
定义外接矩形集合
boundRect[
0
]
=
boundingRect(Mat(
*
itr));
cvtColor(gray, rgbImg, COLOR_GRAY2BGR);
Rect select;
select.x
=
boundRect[
0
].x;
select.y
=
boundRect[
0
].y;
select.width
=
boundRect[
0
].width;
select.height
=
boundRect[
0
].height;
rectangle(rgbImg, select, Scalar(
0
,
255
,
0
),
3
,
2
);
/
/
用矩形画矩形窗
drawContours(dst, con,
-
1
, Scalar(
0
,
0
,
255
),
2
);
/
/
最大面积红色绘制
}
else
drawContours(dst, con,
-
1
, Scalar(
255
,
0
,
0
),
2
);
/
/
其它面积蓝色绘制
con.pop_back();
/
/
计算质心
mom
=
moments(
*
itr);
center.x
=
(
int
)(mom.m10
/
mom.m00);
center.y
=
(
int
)(mom.m01
/
mom.m00);
centers.push_back(center);
itr
+
+
;
}
imshow(
"rgbImg"
, rgbImg);
/
/
imshow(
"gray"
, gray);
/
/
imshow(
"edge"
, edge);
imshow(
"origin"
, image);
imshow(
"connected_region"
, dst);
waitKey(
0
);
return
;
}
|
前期做的,方法可能不太一样 。
一,先看效果图 。
原图 。
处理前后图 。
二,实现源代码 。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
|
/
/
=
=
=
=
=
=
=
函数实现
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
void RemoveSmallRegion(Mat &Src, Mat &Dst,
int
AreaLimit,
int
CheckMode,
int
NeihborMode)
{
int
RemoveCount
=
0
;
/
/
新建一幅标签图像初始化为
0
像素点,为了记录每个像素点检验状态的标签,
0
代表未检查,
1
代表正在检查,
2
代表检查不合格(需要反转颜色),
3
代表检查合格或不需检查
/
/
初始化的图像全部为
0
,未检查
Mat PointLabel
=
Mat::zeros(Src.size(), CV_8UC1);
if
(CheckMode
=
=
1
)
/
/
去除小连通区域的白色点
{
/
/
cout <<
"去除小连通域."
;
for
(
int
i
=
0
; i < Src.rows; i
+
+
)
{
for
(
int
j
=
0
; j < Src.cols; j
+
+
)
{
if
(Src.at<uchar>(i, j) <
10
)
{
PointLabel.at<uchar>(i, j)
=
3
;
/
/
将背景黑色点标记为合格,像素为
3
}
}
}
}
else
/
/
去除孔洞,黑色点像素
{
/
/
cout <<
"去除孔洞"
;
for
(
int
i
=
0
; i < Src.rows; i
+
+
)
{
for
(
int
j
=
0
; j < Src.cols; j
+
+
)
{
if
(Src.at<uchar>(i, j) >
10
)
{
PointLabel.at<uchar>(i, j)
=
3
;
/
/
如果原图是白色区域,标记为合格,像素为
3
}
}
}
}
vector<Point2i>NeihborPos;
/
/
将邻域压进容器
NeihborPos.push_back(Point2i(
-
1
,
0
));
NeihborPos.push_back(Point2i(
1
,
0
));
NeihborPos.push_back(Point2i(
0
,
-
1
));
NeihborPos.push_back(Point2i(
0
,
1
));
if
(NeihborMode
=
=
1
)
{
/
/
cout <<
"Neighbor mode: 8邻域."
<< endl;
NeihborPos.push_back(Point2i(
-
1
,
-
1
));
NeihborPos.push_back(Point2i(
-
1
,
1
));
NeihborPos.push_back(Point2i(
1
,
-
1
));
NeihborPos.push_back(Point2i(
1
,
1
));
}
else
int
a
=
0
;
/
/
cout <<
"Neighbor mode: 4邻域."
<< endl;
int
NeihborCount
=
4
+
4
*
NeihborMode;
int
CurrX
=
0
, CurrY
=
0
;
/
/
开始检测
for
(
int
i
=
0
; i < Src.rows; i
+
+
)
{
for
(
int
j
=
0
; j < Src.cols; j
+
+
)
{
if
(PointLabel.at<uchar>(i, j)
=
=
0
)
/
/
标签图像像素点为
0
,表示还未检查的不合格点
{
/
/
开始检查
vector<Point2i>GrowBuffer;
/
/
记录检查像素点的个数
GrowBuffer.push_back(Point2i(j, i));
PointLabel.at<uchar>(i, j)
=
1
;
/
/
标记为正在检查
int
CheckResult
=
0
;
for
(
int
z
=
0
; z < GrowBuffer.size(); z
+
+
)
{
for
(
int
q
=
0
; q < NeihborCount; q
+
+
)
{
CurrX
=
GrowBuffer.at(z).x
+
NeihborPos.at(q).x;
CurrY
=
GrowBuffer.at(z).y
+
NeihborPos.at(q).y;
if
(CurrX >
=
0
&& CurrX<Src.cols&&CurrY >
=
0
&& CurrY<Src.rows)
/
/
防止越界
{
if
(PointLabel.at<uchar>(CurrY, CurrX)
=
=
0
)
{
GrowBuffer.push_back(Point2i(CurrX, CurrY));
/
/
邻域点加入
buffer
PointLabel.at<uchar>(CurrY, CurrX)
=
1
;
/
/
更新邻域点的检查标签,避免重复检查
}
}
}
}
if
(GrowBuffer.size()>AreaLimit)
/
/
判断结果(是否超出限定的大小),
1
为未超出,
2
为超出
CheckResult
=
2
;
else
{
CheckResult
=
1
;
RemoveCount
+
+
;
/
/
记录有多少区域被去除
}
for
(
int
z
=
0
; z < GrowBuffer.size(); z
+
+
)
{
CurrX
=
GrowBuffer.at(z).x;
CurrY
=
GrowBuffer.at(z).y;
PointLabel.at<uchar>(CurrY, CurrX)
+
=
CheckResult;
/
/
标记不合格的像素点,像素值为
2
}
/
/
*
*
*
*
*
*
*
*
结束该点处的检查
*
*
*
*
*
*
*
*
*
*
}
}
}
CheckMode
=
255
*
(
1
-
CheckMode);
/
/
开始反转面积过小的区域
for
(
int
i
=
0
; i < Src.rows;
+
+
i)
{
for
(
int
j
=
0
; j < Src.cols;
+
+
j)
{
if
(PointLabel.at<uchar>(i, j)
=
=
2
)
{
Dst.at<uchar>(i, j)
=
CheckMode;
}
else
if
(PointLabel.at<uchar>(i, j)
=
=
3
)
{
Dst.at<uchar>(i, j)
=
Src.at<uchar>(i, j);
}
}
}
/
/
cout << RemoveCount <<
" objects removed."
<< endl;
}
/
/
=
=
=
=
=
=
=
函数实现
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
/
/
=
=
=
=
=
=
=
调用函数
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
Mat img;
img
=
imread(
"D:\\1_1.jpg"
,
0
);
/
/
读取图片
threshold(img, img,
128
,
255
, CV_THRESH_BINARY_INV);
imshow(
"去除前"
, img);
Mat img1;
RemoveSmallRegion(img, img,
200
,
0
,
1
);
imshow(
"去除后"
, img);
waitKey(
0
);
/
/
=
=
=
=
=
=
=
调用函数
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
|
以上这篇使用OpenCV去除面积较小的连通域就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我.
原文链接:https://blog.csdn.net/sxlsxl119/article/details/80493655 。
最后此篇关于使用OpenCV去除面积较小的连通域的文章就讲到这里了,如果你想了解更多关于使用OpenCV去除面积较小的连通域的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我正在尝试从我的系统中完全删除 opencv。我试图学习 ROS,而在教程中我遇到了一个问题。创建空工作区后,我调用catkin_make 它给出了一个常见错误,我在 answers.ros 中搜索并
我在尝试逐步转移对warpAffine的调用时遇到崩溃(不是异常): void rotateImage( const Mat& source, double degree, Mat& output )
如何处理opencv gpu异常?是否有用于opencvgpu异常处理的特定错误代码集api? 我尝试了很多搜索,但只有1个错误代码,即CV_GpuNotSupported。 请帮帮我。 最佳答案 虽
笔记 我是 OpenCV(或计算机视觉)的新手,所以告诉我搜索查询会很有帮助! 我想问什么 我想编写一个从图片中提取名片的程序。 我能够提取粗略的轮廓,但反射光会变成噪点,我无法提取准确的轮廓。请告诉
我想根据像素的某个阈值将Mono16类型的Mat转换为二进制图像。我尝试使用以下内容: 阈值(img,ret,0.1,1,CV_THRESH_BINARY); 尝试编译时,出现make错误,提示: 错
我对使用GPU加速的OpenCV中的卷积函数有疑问。 使用GPU的卷积速度大约快3.5 运行时: convolve(src_32F, kernel, cresult, false, cbuffer);
我正在尝试使用非对称圆圈网格执行相机校准。 我通常找不到适合CirclesGridFinder的文档,尤其是findHoles()函数的文档。 如果您有关于此功能如何工作以及其参数含义的信息,将不胜感
在计算机上绘图和在 OpenCV 的投影仪上投影之间有什么区别吗? 一种选择是投影显示所有内容的计算机屏幕。但也许也有这样的选择,即在投影仪上精确地绘制和投影图像,仅使用计算机作为计算机器。如果我能做
我将Processing(processing.org)用于需要人脸跟踪的项目。现在的问题是由于for循环,程序将耗尽内存。我想停止循环或至少解决内存不足的问题。这是代码。 import hyperm
我有下面的代码: // Image Processing.cpp : Defines the entry point for the console application. // //Save
我正在为某些项目使用opencv。并有应解决的任务。 任务很简单。我有一张主图片,并且有一个模板,而不是将主图片与模板进行比较。我使用matchTemplate()函数。我只是好奇一下。 在文档中,我
我正在尝试使用以下命令创建级联分类器: haartraining -data haarcascade -vec samples.vec -bg negatives.dat -nstages 20 -n
我试图使用OpenCV检测黑色图像中一组形状的颜色,为此我使用了Canny检测。但是,颜色输出总是返回为黑色。 std::vector > Asteroids::DetectPoints(const
我正在尝试使用OpenCv 2.4.5从边缘查找渐变方向,但是我在使用cvSobel()时遇到问题,以下是错误消息和我的代码。我在某处读到它可能是由于浮点(??)之间的转换,但我不知道如何解决它。有帮
我正在尝试构建循环关闭算法,但是在开始开发之前,我想测试哪种功能描述符在真实数据集上效果更好。 我有两个在两个方向拍摄的走廊图像,一个进入房间,另一个离开同一个房间。因此它们代表相同的场景,但具有2个
有没有一种方法可以比较直方图,但例如要排除白色,因此白色不会影响比较。 最佳答案 白色像素有 饱和度 , S = 0 .因此,在创建直方图时很容易从计数中删除白色像素。请执行下列操作: 从 BGR 转
就像本主题的标题一样,如何在OpenCV中确定图像的特定像素(灰度或彩色)是否饱和(例如,亮度过高)? 先感谢您。 最佳答案 根据定义,饱和像素是指与强度(即灰度值或颜色分量之一)等于255相关联的像
我是OpenCV的新用户,正在从事大学项目。程序会获取输入图像,对其进行综合模糊处理,然后对其进行模糊处理。当对合成模糊图像进行反卷积时,会生成边界伪像,因为...好吧,到目前为止,我还没有实现边界条
我想知道OpenCV是haar特征还是lbp是在多尺度搜索过程中缩放图像还是像论文中提到的那样缩放特征本身? 编辑:事实证明,检测器可以缩放图像,而不是功能。有人知道为什么吗?通过缩放功能可以更快。
我在openCv中使用SVM.train命令(已定义了适当的参数)。接下来,我要使用我的算法进行分类,而不是使用svm.predict。 可能吗?我可以访问训练时生成的支持 vector 吗?如果是这
我是一名优秀的程序员,十分优秀!