如何识别出轮廓准确的长和宽
共 12022字，需浏览 25分钟
·
2021-07-10 05:49
点击下方“AI算法与图像处理”，一起进步！
重磅干货，第一时间送达
问题来源：实际项目中，需要给出识别轮廓的长度和宽度。初步分析：
轮廓分析的例程为：
int main( int argc, char** argv )
{
//read the image
Mat img = imread("e:/sandbox/leaf.jpg");
Mat bw;
bool dRet;
//resize
pyrDown(img,img);
pyrDown(img,img);
cvtColor(img, bw, COLOR_BGR2GRAY);
//morphology operation
threshold(bw, bw, 150, 255, CV_THRESH_BINARY);
//bitwise_not(bw,bw);
//find and draw contours
vector<vector<Point> > contours;
vector<Vec4i> hierarchy;
findContours(bw, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);
for (int i = 0;i<contours.size();i++)
{
RotatedRect minRect = minAreaRect( Mat(contours[i]) );
Point2f rect_points[4];
minRect.points( rect_points );
for( int j = 0; j < 4; j++ )
line( img, rect_points[j], rect_points[(j+1)%4],Scalar(255,255,0),2);
}
imshow("img",img);
waitKey();
return 0;
}
得到结果：
对于这样 的轮廓分析，标明出来的1和2明显是错误的。但是除了minAreaRect之外，已经没有更解近一步的方法。也尝试首先对轮廓进行凸包处理，再查找外接矩形，效果同样不好。
解题思路：仍然要从现有的、稳定运行的代码里面找方法。目前OpenCV函数getOrientation能够通过PCA方法找到图像/轮廓的方向。比如这样：
在项目图片上能够得到这样结果：
显然是更符合实际情况的，当然，叶柄这里产生了干扰，但那是另一个问题。获得主方向后，下一步就是如何获得准确的长和宽。PCA方法无法获得长宽，也尝试通过旋转矩阵的方法直接获得结果：
////以RotatedRect的方式返回结果
//RotatedRect box;
//box.center.x = pos.x;
//box.center.y = pos.y;
//box.size.width = flong;
//box.size.height = fshort;
//box.angle = (float)atan2( eigen_vecs[0].y, eigen_vecs[0].x)*180/3.1415926; //弧度转角度
////绘制rotateRect
//Point2f rect_points[4];
//box.points( rect_points );
//for( int j = 0; j < 4; j++ )
// line( img, rect_points[j], rect_points[(j+1)%4],Scalar(0,0,255),2);
但是需要注意的是，这里的pca获得的center并不是绝对的center，而且在中线两边，轮廓到中线的长度不一定一样。为了获得最精确的结果，就需要直接去求出每个边的长度，并且绘制出来。思路很简单，就是通过中线（及其中线的垂线）将原轮廓分为两个部分，分别求这两个部分的到中线的最大距离（加起来就是长，分开来就是位置）。求的长轴端点：
求得到中线最远距离点（蓝色），这也就是到中线的距离。
距离的计算很多时候只是点的循环。最后存在一个问题，那就是这样一个图像，已经知道p0-03的坐标，和两条轴线的斜率，如何绘制4个角点？
实际上，这是一个数学问题，并且有解析解：
//通过解析方法，获得最后结果
Point p[4];
p[0].x = (k_long * _p[0].x - k_short * _p[2].x + _p[2].y - _p[0].y) / (k_long - k_short);
p[0].y = (p[0].x - _p[0].x)*k_long + _p[0].y;
p[1].x = (k_long * _p[0].x - k_short * _p[3].x + _p[3].y - _p[0].y) / (k_long - k_short);
p[1].y = (p[1].x - _p[0].x)*k_long + _p[0].y;
p[2].x = (k_long * _p[1].x - k_short * _p[2].x + _p[2].y - _p[1].y) / (k_long - k_short);
p[2].y = (p[2].x - _p[1].x)*k_long + _p[1].y;
p[3].x = (k_long * _p[1].x - k_short * _p[3].x + _p[3].y - _p[1].y) / (k_long - k_short);
p[3].y = (p[3].x - _p[1].x)*k_long + _p[1].y;
成功！！！
得到最后结果，这正是我想要得到的。但是由于算法稳定性方面和效率的考虑，还需要进一步增强
p.s 重新翻了一下minarearect
cv::RotatedRect cv::minAreaRect( InputArray _points )
{
CV_INSTRUMENT_REGION()
Mat hull;
Point2f out[3];
RotatedRect box;
convexHull(_points, hull, true, true);
if( hull.depth() != CV_32F )
{
Mat temp;
hull.convertTo(temp, CV_32F);
hull = temp;
}
int n = hull.checkVector(2);
const Point2f* hpoints = hull.ptr<Point2f>();
if( n > 2 )
{
rotatingCalipers( hpoints, n, CALIPERS_MINAREARECT, (float*)out );
box.center.x = out[0].x + (out[1].x + out[2].x)*0.5f;
box.center.y = out[0].y + (out[1].y + out[2].y)*0.5f;
box.size.width = (float)std::sqrt((double)out[1].x*out[1].x + (double)out[1].y*out[1].y);
box.size.height = (float)std::sqrt((double)out[2].x*out[2].x + (double)out[2].y*out[2].y);
box.angle = (float)atan2( (double)out[1].y, (double)out[1].x );
}
else if( n == 2 )
{
box.center.x = (hpoints[0].x + hpoints[1].x)*0.5f;
box.center.y = (hpoints[0].y + hpoints[1].y)*0.5f;
double dx = hpoints[1].x - hpoints[0].x;
double dy = hpoints[1].y - hpoints[0].y;
box.size.width = (float)std::sqrt(dx*dx + dy*dy);
box.size.height = 0;
box.angle = (float)atan2( dy, dx );
}
else
{
if( n == 1 )
box.center = hpoints[0];
}
box.angle = (float)(box.angle*180/CV_PI);
return box;
}
那么，这个官方函数首先就把轮廓找了hull矩。这个当然对于很多问题都是好方法，很简单直观（我这里的方法就繁琐很多）。但是忽视了一个重要问题：hull变换后，会丢失信息。显然这就是结果不准确的原因。
我也在answeropencv上进行了咨询，berak给出的comment是 maybe: find principal axes of your shape (PCA) rotate to upright (warp) boundingRect() (image axis aligned) 这个显然也不是很妥当，因为这个结果还需要rotate回去，这会很麻烦。感谢阅读至此，希望有所帮助。
2018年8月29日19:43:01 经过一段时间后反思这个项目，应该说这个算法有一定自创的元素在里面，但是由于这个问题比较小众，所以即使是在answeropencv上面，参与讨论的人也比较少，使得算法有很多不充分的地方在里面：最主要的问题就是在算法的后面部分，多次进行全轮廓循环，使得算法的效率降低。那么，有没有能够提速的方法了？还是之前做的一些数学的研究和在answeropencv上berak的comment提醒了我，注意看：
这里，黑色的是原始的OpenCV的坐标系，红色的是新求出来的坐标系，你花了那么大功夫去算交点，实际上，不如将这个图像旋转为正，将外界矩形算出来，然后再反方向旋转回去。这样的话思路就很清楚了，但是需要花一点修改的时间。但是正是因为这里的思路比较清晰，所以代码写起来，比较流畅，很快我就得到了下面的结果：
#include "stdafx.h"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/photo.hpp"
using namespace std;
using namespace cv;
#define DEBUG FALSE
//获得单个点经过旋转后所在精确坐标
Point2f GetPointAfterRotate(Point2f inputpoint,Point2f center,double angle){
Point2d preturn;
preturn.x = (inputpoint.x - center.x)*cos(-angle) - (inputpoint.y - center.y)*sin(-angle)+center.x;
preturn.y = (inputpoint.x - center.x)*sin(-angle) + (inputpoint.y - center.y)*cos(-angle)+center.y;
return preturn;
}
Point GetPointAfterRotate(Point inputpoint,Point center,double angle){
Point preturn;
preturn.x = (inputpoint.x - center.x)*cos(-1*angle) - (inputpoint.y - center.y)*sin(-1*angle)+center.x;
preturn.y = (inputpoint.x - center.x)*sin(-1*angle) + (inputpoint.y - center.y)*cos(-1*angle)+center.y;
return preturn;
}
double getOrientation(vector<Point> &pts, Point2f& pos,Mat& img)
{
//Construct a buffer used by the pca analysis
Mat data_pts = Mat(pts.size(), 2, CV_64FC1);
for (int i = 0; i < data_pts.rows; ++i)
{
data_pts.at<double>(i, 0) = pts[i].x;
data_pts.at<double>(i, 1) = pts[i].y;
}
//Perform PCA analysis
PCA pca_analysis(data_pts, Mat(), CV_PCA_DATA_AS_ROW);
//Store the position of the object
pos = Point2f(pca_analysis.mean.at<double>(0, 0),
pca_analysis.mean.at<double>(0, 1));
//Store the eigenvalues and eigenvectors
vector<Point2d> eigen_vecs(2);
vector<double> eigen_val(2);
for (int i = 0; i < 2; ++i)
{
eigen_vecs[i] = Point2d(pca_analysis.eigenvectors.at<double>(i, 0),
pca_analysis.eigenvectors.at<double>(i, 1));
eigen_val[i] = pca_analysis.eigenvalues.at<double>(i,0);
}
// Draw the principal components
//在轮廓/图像中点绘制小圆
//circle(img, pos, 3, CV_RGB(255, 0, 255), 2);
////计算出直线，在主要方向上绘制直线
//line(img, pos, pos + 0.02 * Point2f(eigen_vecs[0].x * eigen_val[0], eigen_vecs[0].y * eigen_val[0]) , CV_RGB(255, 255, 0));
//line(img, pos, pos + 0.02 * Point2f(eigen_vecs[1].x * eigen_val[1], eigen_vecs[1].y * eigen_val[1]) , CV_RGB(0, 255, 255));
return atan2(eigen_vecs[0].y, eigen_vecs[0].x);
}
//程序主要部分
int main( int argc, char** argv )
{
//读入图像，转换为灰度
Mat img = imread("e:/sandbox/leaf.jpg");
pyrDown(img,img);
pyrDown(img,img);
Mat bw;
bool dRet;
cvtColor(img, bw, COLOR_BGR2GRAY);
//阈值处理
threshold(bw, bw, 150, 255, CV_THRESH_BINARY);
//寻找轮廓
vector<vector<Point> > contours;
vector<Vec4i> hierarchy;
findContours(bw, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_NONE);
//轮廓分析，找到
for (size_t i = 0; i < contours.size(); ++i)
{
//计算轮廓大小
double area = contourArea(contours[i]);
//去除过小或者过大的轮廓区域（科学计数法表示）
if (area < 1e2 || 1e5 < area) continue;
//绘制轮廓
drawContours(img, contours, i, CV_RGB(255, 0, 0), 2, 8, hierarchy, 0);
//获得轮廓的角度
Point2f* pos = new Point2f();
double dOrient = getOrientation(contours[i], *pos,img);
//转换轮廓,并获得极值
for (size_t j = 0;j<contours[i].size();j++)
contours[i][j] = GetPointAfterRotate(contours[i][j],(Point)*pos,dOrient);
Rect rect = boundingRect(contours[i]);//轮廓最小外接矩形
RotatedRect rotateRect = RotatedRect((Point2f)rect.tl(),Point2f(rect.br().x,rect.tl().y),(Point2f)rect.br());
//将角度转换回去并绘图
Point2f rect_points[4];
rotateRect.points( rect_points );
for (size_t j = 0;j<4;j++)
rect_points[j] = GetPointAfterRotate((Point)rect_points[j],(Point)*pos,-dOrient);
for( size_t j = 0; j < 4; j++ )
line( img, rect_points[j], rect_points[(j+1)%4],Scalar(255,255,0),2);
//得出结果
char cbuf[255];
double fshort = std::min(rect.width,rect.height);
double flong = std::max(rect.width,rect.height);
sprintf_s(cbuf,"第%d个轮廓,长度%.2f,宽度%.2f像素\n",i,flong,fshort);
}
return 0;
}
这段代码中值得一提的是
Point GetPointAfterRotate(Point inputpoint,Point center,double angle){
Point preturn;
preturn.x = (inputpoint.x - center.x)*cos(-1*angle) - (inputpoint.y - center.y)*sin(-1*angle)+center.x;
preturn.y = (inputpoint.x - center.x)*sin(-1*angle) + (inputpoint.y - center.y)*cos(-1*angle)+center.y;
return preturn;
}
这个函数是直接计算出某一个点在旋转后位置，采用的是数学方法推到，应该算自己创的函数。很多时候，我们并不需要旋转整个图像，而只是要获得图像旋转以后的位置。
反思小结：应该说当时answerOpenCV上就给出了正确的结果提示，但是由于那时我钻在自己的算法里面，没能够接受新的想法；过去一段时间后回顾，才发现了更好的解决方法。但是走弯路并不可怕，只有不断、持续地思考，尽可能将现有的解决方法优化，才可能在面对新的问题的时候有更多的手段、更容易提出创造出“方便书写、效果显著”的算法。此外，基础能力非常重要，如果基础不牢，在创建新算法 的时候会遇到更多的困难，毕竟：基础不牢、地动山摇。感谢阅读至此、希望有所帮助。
努力分享优质的计算机视觉相关内容，欢迎关注：
个人微信（如果没有备注不拉群！） 请注明：地区+学校/企业+研究方向+昵称
下载1：何恺明顶会分享
在「AI算法与图像处理」公众号后台回复：何恺明，即可下载。总共有6份PDF，涉及 ResNet、Mask RCNN等经典工作的总结分析
下载2：终身受益的编程指南：Google编程风格指南
在「AI算法与图像处理」公众号后台回复：c++，即可下载。历经十年考验，最权威的编程规范！
下载3 CVPR2021 在「AI算法与图像处理」公众号后台回复：CVPR，即可下载1467篇CVPR 2020论文 和 CVPR 2021 最新论文
点亮 
，告诉大家你也在看