OpenCV Practice

整理自网络.

目录：

• OpenCV图像处理
• OpenCV小案例
• OpenCV图像分割
• OpenCV-GOCvHelper

0.OpenCV图像处理

• OpenCV图像处理.

比较基础，没详细整理.

1. OpenCV小案例

• OpenCV小案例.

1.1.切边

• 问题描述：扫描仪扫描到的法律文件，需要切边，去掉边缘空白，这样看上去才真实。
• 方法一：通过边缘检测 + 轮廓发现或者直线检测最大外接矩形实现。首先canny边缘检测，然后findContours()找轮廓.
• 方法二：通过二值分割 + 形态学方法 + Hough直线 找到最大外接矩形。不太可靠.

1.2.直线检测

• 问题描述：寻找英语试卷填空题的下划线，这个对后期的切图与自动识别都比较重要。
• 方法:通过图像形态学操作来寻找直线，霍夫获取位置信息与显示。找到直线后就有了坐标然后根据坐标进行矩形截取，就得到了试卷中答题区域的信息。

1.3.对象提取

• 问题描述：真实案例，对图像中对象进行提取，获取这样对象，去掉其它干扰和非目标对象。
• 方法：二值分割 + 形态学处理 +横纵比计算

1.4.对象计数

• 问题描述: 农业领域经常需要计算对象个数或者在其它领域拍照自动计数，可以提供效率，减低成本
• 方法：通过二值分割+形态学处理+距离变换+连通区域计算

1.5.透视校正

• 问题描述：拍摄或者扫描图像不是规则的矩形，会对后期处理产生不好影响，需要通过透视变换校正得到正确形状。
• 方法：通过二值分割 + 形态学方法 + Hough直线 +透视变换

1.6.对象提取与测量

• 问题描述：照片是来自太空望远镜的星云图像，科学家想知道它的面积与周长。
• 方法：通过二值分割+图像形态学+轮廓提取

2.OpenCV图像分割

• OpenCV图像分割

2.1.K-Means

• ref
• 数据聚类

1. 无监督学习方法
2. 分类问题，输入分类数目，初始化中心位置
3. 硬分类方法，以距离度量
4. 迭代分类为聚类

• 图像分割
• code

	TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 0.1);
	kmeans(points, clusterCount, labels, criteria, 3, KMEANS_PP_CENTERS, centers);

2.2.GMM

高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况。

• ref0
• ref1
• GMM方法

1.高斯混合模型 (GMM)
2. 高斯分布与概率密度分布 - PDF
3. 初始化
4.最大似然法

• 特点

1.跟K-Means相比较，属于软分类
2.实现方法-期望最大化(E-M)，EM算法是一种迭代算法.
3.停止条件-收敛
4.很耗时

• code

	//EM 训练
	Ptr<EM>  em_model = EM::create();
	em_model->setClustersNumber(clusterCount);
	em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);
	em_model->setTermCriteria(TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 100, 0.1));
	em_model->trainEM(samplePoint, noArray(), labels, noArray());

2.3.分水岭方法

区别于聚类算法与GMM算法，分水岭不需要指定分割成多少块。

• ref
• 原理

1.基于浸泡理论的分水岭分割方法
2.基于连通图的方法
3.基于距离变换的方法(opencv实现的方法)

• 步骤

1. 图像形态学操作
2. 分水岭分割方法原理

输入图像->灰度-> 二值->距离变换->寻找种子->生成Marker->分水岭变换->输出图像->End

• 均值漂移算法.
• 应用

分割粘连对象，实现形态学操作与对象计数. 图像分割

• code

pyrMeanShiftFiltering(src, shifted, 21, 51);

...

distanceTransform(binary, dist, DistanceTypes::DIST_L2, 3, CV_32F);

...

	//image:三通道彩色图像
	//markers : 记号点（种子点），每一个记号都需要有不同的编号
	watershed(src, marks);

2.4.GrabCut

可以用户交互的抠图方法，目标明确，认为的选定ROI区域。

• ref

• ref

• 流程

输入图像-> 矩形输入-> 初始分类-> GMM描述-> GMM训练分类-> Graph Cut分类-> 最终收敛分类-> 停止

• code

setMouseCallback；  
onMouse(int event, int x, int y, int flags, void* 
param)  

2.5.demo1-背景替换

• 关键点
  1.K-Means
  2.背景融合 – 高斯模糊
  3.遮罩层生成

• 步骤

开始-> 数据组装-> K-Means分割-> 背景去除-> 遮罩生成-> 遮罩模糊-> 通道混合输出-> End

2.6.demo2-视频背景替换

• 算法选择
  1.GMM或者Kmeans - ?? Bad idea, very slow!!!
  2.基于色彩的处理方法
  3.RGB与HSV色彩空间

cvtColor(frame, hsv, COLOR_BGR2HSV);
inRange(hsv, Scalar(35, 43, 46), Scalar(155, 255, 255), mask);//绿幕颜色范围值,绿色使用255白色替换
//形态学操作
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
morphologyEx(mask, mask, MORPH_CLOSE, kernel);
erode(mask,mask,kernel);
GaussianBlur(mask, mask, Size(3, 3), 0, 0);

3.OpenCV-GOCvHelper

• 禾路老师的开源库.