基于OpenCV 差分法实现绿叶识别

目录

• 实现原理
• 功能函数代码
• C++测试代码

实现原理

物体识别是图像处理学在现实生活中较多的应用之一，目前最为流行的就是运用AI、机器学习等技术结合图像处理学，大量训练数据集，以实现智能且精确的识别。说到人工智能，很多人可能觉得它非常深奥和复杂，其实说白了它最底层的识别逻辑还是基于普通的图像分析，像特征提取、轮廓分析、比对分析等等，再在庞大的数据集中按照相似程度，分析出一个最可能的结果。

本文提供了一种相对简单的思路来实现绿叶识别，适合初学图像处理的新人研究参考。该方法为差分法：首先对图像进行高斯滤波处理预处理，平滑图像数据；其次，将图像颜色通道按RGB拆分，因为识别物为绿叶，其最明显的特征就是颜色；差分法，将绿色通道减去蓝色通道，之所以选择这两个通道，是因为蓝色通道和绿叶的关系较远，而红色搭配绿色可是黄色哦，绿叶中存在黄色特征信息可是再正常不过了；之后，对差分图进行OTSU阈值处理，得到掩膜感兴趣ROI区域；再后，就是对区域进行闭运算和孔洞闭合处理，保持区域完整性；最后，根据掩膜提取绿叶，完成。

功能函数代码

1）识别绿叶函数。

// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)
{
	CV_Assert(input.channels() == 3);
	Mat temp, result, mask, hole;
	int row = input.rows;
	int col = input.cols;
 
	// 高斯滤波
	GaussianBlur(input, temp, Size(5, 5), 0);
 
	// 通道拆分
	vector c;
	split(temp, c);
 
	// 绿通道-蓝通道，提取绿色区域
	Mat diff = c[1] - c[0];
	threshold(diff, mask, 0, 255, THRESH_OTSU);
 
	// 闭运算封口
	cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
	cv::morphologyEx(mask, mask, MORPH_CLOSE, element);
 
	// 孔洞闭合
	hole = 255 - mask;
	Clear_MicroConnected_Areas(hole, hole, row*col / 300);
	mask = 255 - hole;
	Clear_MicroConnected_Areas(mask, mask, row*col / 300);
 
	// 识别区域标记
	result = input.clone();
	result.setTo(Scalar(0, 0, 0), mask == 0);
	return result;
}

2）清除微小面积连通区函数，用于孔洞闭合。具体介绍见：

OpenCV-清除小面积连通域

/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{
	// 备份复制
	dst = src.clone();
	std::vector > contours;  // 创建轮廓容器
	std::vector 	hierarchy;
 
	// 寻找轮廓的函数
	// 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓
	// 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内
	cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());
 
	if (!contours.empty() && !hierarchy.empty())
	{
		std::vector >::const_iterator itc = contours.begin();
		// 遍历所有轮廓
		while (itc != contours.end())
		{
			// 定位当前轮廓所在位置
			cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
			// contourArea函数计算连通区面积
			double area = contourArea(*itc);
			// 若面积小于设置的阈值
			if (area < min_area)
			{
				// 遍历轮廓所在位置所有像素点
				for (int i = rect.y; i < rect.y + rect.height; i++)
				{
					uchar *output_data = dst.ptr(i);
					for (int j = rect.x; j < rect.x + rect.width; j++)
					{
						// 将连通区的值置0
						if (output_data[j] == 255)
						{
							output_data[j] = 0;
						}
					}
				}
			}
			itc++;
		}
	}
}

C++测试代码

#include 
#include 
 
using namespace std;
using namespace cv;
 
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area);
Mat IdentifyLeaves(cv::Mat input);
 
int main()
{
	Mat src = imread("test1.png");
	Mat result = IdentifyLeaves(src);
 
	imshow("src", src);
	imshow("result", result);
	waitKey(0);
 
	return 0;
}
 
/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{
	// 备份复制
	dst = src.clone();
	std::vector > contours;  // 创建轮廓容器
	std::vector 	hierarchy;
 
	// 寻找轮廓的函数
	// 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓
	// 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内
	cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());
 
	if (!contours.empty() && !hierarchy.empty())
	{
		std::vector >::const_iterator itc = contours.begin();
		// 遍历所有轮廓
		while (itc != contours.end())
		{
			// 定位当前轮廓所在位置
			cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
			// contourArea函数计算连通区面积
			double area = contourArea(*itc);
			// 若面积小于设置的阈值
			if (area < min_area)
			{
				// 遍历轮廓所在位置所有像素点
				for (int i = rect.y; i < rect.y + rect.height; i++)
				{
					uchar *output_data = dst.ptr(i);
					for (int j = rect.x; j < rect.x + rect.width; j++)
					{
						// 将连通区的值置0
						if (output_data[j] == 255)
						{
							output_data[j] = 0;
						}
					}
				}
			}
			itc++;
		}
	}
}
 
// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)
{
	CV_Assert(input.channels() == 3);
	Mat temp, result, mask, hole;
	int row = input.rows;
	int col = input.cols;
 
	// 高斯滤波
	GaussianBlur(input, temp, Size(5, 5), 0);
 
	// 通道拆分
	vector c;
	split(temp, c);
 
	// 绿通道-蓝通道，提取绿色区域
	Mat diff = c[1] - c[0];
	threshold(diff, mask, 0, 255, THRESH_OTSU);
 
	// 闭运算封口
	cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
	cv::morphologyEx(mask, mask, MORPH_CLOSE, element);
 
	// 孔洞闭合
	hole = 255 - mask;
	Clear_MicroConnected_Areas(hole, hole, row*col / 300);
	mask = 255 - hole;
	Clear_MicroConnected_Areas(mask, mask, row*col / 300);
 
	// 识别区域标记
	result = input.clone();
	result.setTo(Scalar(0, 0, 0), mask == 0);
	return result;
}

测试效果

图1 原图1

图2 效果图1

图3 原图2

图4 效果图2

图5 原图3

图6 效果图3

本文只是提供了一种简单的识别思路，不可能满足所有的场景。举几个例子，如图6所示，因为孔洞闭合的缘故，导致绿叶间的间隙也被涵盖了；又或者，当所识别的绿叶没那么绿，有点偏暗时，蓝色通道的比例自然也提高了，此时用差分法效果就不会那么好了。

总而言之，不同的场景和需求还是需要结合实际进行算法的设计，天下没有一种算法是可以解决一切问题的，即便是人工智能也不可能，特殊问题特殊对待，加油！

到此这篇关于基于OpenCV 差分法实现绿叶识别(图像差分+颜色通道)的文章就介绍到这了,更多相关OpenCV 内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！