有关opencv的轮廓识别，图像提取，阈值分割的笔记！！！
opencv小白实现基地学习任务的心路历程！
任务1： 对图中黄色图像的提取
在网上找了很多资料后，我定下的方案大致如下：
1.对黄色进行二值化处理（inrange（）函数），将图像快速分为黑白两色。
其中白色对应的就是最先形成的mask图像（掩膜），用于之后和最初图像的一个叠加。
#include
#include
#include
#include
#include
using namespace cv;
using namespace std;
int main(){
Mat im1,out,labels,stats,centroids,img_bool,final,gray;
Mat image = imread("C:\\Users\\huli\\Desktop\\test1\\4.png");
Mat pre=image;
if (image.empty())
{
cout << "Error: Could not load image" << endl;
return 0;
}
int height = image.rows;
int width = image.cols;
Mat hsvImage;
Mat mask;
cvtColor(image,hsvImage,COLOR_BGR2HSV);
//基本的颜色转化处理
Scalar yellow_scalarL = Scalar(11, 70, 110);
Scalar yellow_scalarH = Scalar(34, 255, 255);
//你可以上网查找黄色的对应hsv值，此上数据是我再次基础上进行了不断调整后得出的
inRange(hsvImage, yellow_scalarL, yellow_scalarH, mask);
imshow("mask",mask);//生成基础mask 至于为什么将RGB转化成HSV，这是因为RGB三个通道共同决定颜色，但HSV却仅仅是H决定了肉眼可见的颜色。S，V分别代表饱和度和明度，这就代表我们将有更多的空间进行参数的调整。
tip1.对inRange浅浅解释一下：
inRange（原图，下限，上限，输出图像）
当原图像素在下限和上限之间的时候，函数会把像素值设置为白色（255），反之则将输出黑色（0）。注意：此时的mask已经是一张灰度图了
这就是最开始的mask图
从上图我们不难发现仅仅是对黄色的二值化处理，会有一定的残余。为了处理这些面积较小的区域，我们将采用第二个重要函数。
tip2.connectedComponents（）
connectedComponents（输入图（二值化），输出的标记图像（labels），connectivity，ltype）
这里的connectivity默认为8，当然你也可以改为较为常见的4。
至于连通域的原理，展开来讲就有一些复杂了。不过基本的方法有两遍扫描法和种子填充法，更多的大家可以上csdn上翻翻大佬们的资料。
ltype则代表输出的labels的数据类型。
void ClearSmallConnecttedComponent(Mat srcImage, Mat& dstImage,int S)//去除面积小于等于S的连通域
{
Mat temp;
Mat labels;//labels内数据由连通域索引转换到了像素值！！！！！
srcImage.copyTo(temp);
//1. 标记连通域
int n_comps = connectedComponents(temp, labels, 4, CV_16U);
vector histogram_of_labels;
for (int i = 0; i < n_comps; i++)//初始化labels的个数为0
{
histogram_of_labels.push_back(0);
}
int rows = labels.rows;
int cols = labels.cols;
for (int row = 0; row < rows; row++) //计算每个labels的面积
{
for (int col = 0; col < cols; col++)
{
histogram_of_labels.at(labels.at(row, col)) += 1;//面积（像素点数）+1
}
}
histogram_of_labels.at(0) = 0; //将背景的面积设置为0
//2. 计算连通域labels索引
int maximum = 0;
int max_idx = 0;
int tmp[1024]{};//创建全0tmp数组，1则说明小于等于S
for (int i = 0; i < n_comps; i++)
{
if (histogram_of_labels.at(i) <=S)
{
tmp[i]=1;
}
}
//3.
for (int row = 0; row < rows; row++)
{
for (int col = 0; col < cols; col++)
{
if (labels.at(row, col) == 0)//背景跳过（保持黑色）
{
continue;
}
else if (tmp[labels.at(row, col)]==1)//小连通域去除
{
continue;
}
else
{
labels.at(row, col) = 255;//其余连通域转为白色
}
}
}
//4. 将图像更改为CV_8UC1格式
labels.convertTo(dstImage, CV_8UC1);
threshold(dstImage, dstImage, 254, 255, THRESH_BINARY);//非常重要！！！！！！！！！！！！！！！！！！！！
} 这是我定义的一个删除小区域连通区域的一个函数，下面让我们分块来讲解这段函数。
一.
void ClearSmallConnecttedComponent(Mat srcImage, Mat& dstImage,int S)//去除面积小于等于S的连通域
{
Mat temp;
Mat labels;//labels内数据由连通域索引转换到了像素值！！！！！
srcImage.copyTo(temp);
//1. 标记连通域
int n_comps = connectedComponents(temp, labels, 4, CV_16U);
vector histogram_of_labels;
for (int i = 0; i < n_comps; i++)//初始化labels的个数为0
{
histogram_of_labels.push_back(0);
}
int rows = labels.rows;
int cols = labels.cols;
for (int row = 0; row < rows; row++) //计算每个labels的面积
{
for (int col = 0; col < cols; col++)
{
histogram_of_labels.at(labels.at(row, col)) += 1;//面积（像素点数）+1
}
}
histogram_of_labels.at(0) = 0; //将背景的面积设置为0
} 这里的srcImage代表我们输入的要处理的图片，dstImage是我们最后的输出图。
然后我们运用connectedComponents函数得到了初始mask的连通域数量（n_comps），
并由此设定了n_comps个不同连通域的初始面积。
然后我们根据不同像素点对应的label值进行了一个累加，从而得出了不同连通域（label）的面积
（背景面积记得设为0）
二.
int max_idx = 0;
int tmp[1024]{};//创建全0tmp数组，1则说明小于等于S
for (int i = 0; i < n_comps; i++)
{
if (histogram_of_labels.at(i) <=S)
{
tmp[i]=1;
}
}
这个部分的代码比较简单，对面积的比较的判断。当面积小于S时，我们将tmp这个标志变量设为1，代表我们会删除这个部分。
三.
//3.
for (int row = 0; row < rows; row++)
{
for (int col = 0; col < cols; col++)
{
if (labels.at(row, col) == 0)//背景跳过（保持黑色）
{
continue;
}
else if (tmp[labels.at(row, col)]==1)//小连通域去除
{
continue;
}
else
{
labels.at(row, col) = 255;//其余连通域转为白色
}
}
}
//4. 将图像更改为CV_8UC1格式
labels.convertTo(dstImage, CV_8UC1);
threshold(dstImage, dstImage, 254, 255, THRESH_BINARY);//非常重要！！！！！！！！！！！！！！！！！！！！ 在以上代码中我们遍历了所有的像素点并对其进行了判断，只有当对应像素的label不代表背景同时它的面积大于S，我们才会将其转化成白色的像素点。
然后看图！！！
经过上述操作，我们就成功实现了对多余区域的去除！！！
tip3.bitwise_and()
bitwise_and（输入图，输入图，输出图，掩膜（mask））
Mat mix1,mix2;
bitwise_and(image,image,mix1,final);
imshow("mix1",mix1);通过该程序，我们就成功将两张图片的像素相加。
效果如下：
那么第一题的大体流程就结束了！！！！！！！
任务2：对物体轮廓的提取
先放效果图：
在得到了第一题的图像后，我们对第二题的处理将会变得简单的多。
下面让我们由图像“final”入手，实现对图像的轮廓提取。
tip4.findContours()
findContours
(输入（多为边缘图），输出（contours），对应关系（hierarchy），mode，method，offset)
blur(final,im1,Size(3,3));
Canny(im1,canny,100,120,3);
imshow("canny",canny);
vector> contours;
vector hierarchy;
findContours(canny, contours, hierarchy, RETR_TREE, CHAIN_APPROX_NONE, Point());
Mat imageContour= Mat::zeros(im1.size(),CV_8UC1);
Mat Contours = Mat::zeros(image.size(), CV_8UC1);
输入是经由Canny函数处理后得到的边界函数。
contours，则储存了每一层轮廓的坐标。
（大体就是vector向量中构建了多个由point类构建的vector向量，所以它可以同时储存不同轮廓的多个坐标）
hierarchy，输出的轮廓关系的存储。
（生成hierarchy[i][0] ~hierarchy[i][3]，分别表示i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号）
cvtColor(imageContour,im1,COLOR_GRAY2BGR);
//drawContours(im1, contours, 1, Scalar(0,0,255), 4, 7, hierarchy);
drawContours(im1, contours, 2, Scalar(0,0,255), 4, 7, hierarchy);
im1.copyTo(pre,im1);
imshow("final2",pre);
waitKey(0);
destroyAllWindows();在得到函数相对轮廓的坐标后，我们就可以直接使用drawContours将我们想要的图像画出来。
那么到这，基地的基础任务1大体就完成了！！！！