OpenCV（三）

对象分割和检测

先对图像进行预处理：

1. 噪声消除
2. 光消除
3. 二值化

再对图像进行分割：

1. 连接组件
2. 寻找轮廓

噪声消除以及光消除

这里需要两张图片，一张是包括物体和背景的，另外一张只有背景。

#include<opencv2/opencv.hpp>
#include<opencv2/highgui.hpp>

using namespace cv;

Mat removeLight(Mat img, Mat pattern, int method) {
   Mat aux;
   // if method is normalization
   if (method == 1) {
   	// require change image to 32float for division
   	Mat img32, pattern32;
   	img.convertTo(img32, CV_32F);
   	pattern.convertTo(pattern32, CV_32F);
   	// divide the image by the pattern
   	aux = 1 - (img32 / pattern32);
   	// convert 8 bit format and scale
   	aux.convertTo(aux, CV_8U, 255);
   }
   else {
   	aux = pattern - img;
   }
   return aux;
}

Mat calculateLightPattern(Mat img) {
   Mat pattern;
   // Basic and effective way to calculate the light pattern from one image
   blur(img, pattern, Size(img.cols / 3, img.cols / 3));
   return pattern;
}


int main() {
   // decrease noise
   Mat things = imread("C:/Users/86177/Desktop/opencv c++/目标追踪/image/things(1).jpg");
   Mat back = imread("C:/Users/86177/Desktop/opencv c++/目标追踪/image/back(1).jpg");
   Mat img_noise;
   Mat aux1, pattern, aux2;
   aux1 = removeLight(things, back, 1);
   aux2 = removeLight(things, back, 2);
   pattern = calculateLightPattern(things);
   Mat results = removeLight(things, pattern, 1);
   medianBlur(things, img_noise, 3);
   namedWindow("remove noise", WINDOW_AUTOSIZE);
   imshow("remove noise", things);
   imshow("remove light1", aux1);
   imshow("remove light2", aux2);
   imshow("remove calculateLight", results);
   waitKey(0);
   return 0;

}

效果图：


如果没有背景图，也可以用更好的算法取学习各个部分出现在不同区域的图像背景。这里先采用一种简单的应用于输入图像的大内核尺寸的模糊技术，这种技术在光学字符识别（OCR）中经常使用，可以对图像中的光模式进行近似，已在上述代码中实现。