在某些计算机视觉应用中,不仅要检测图像中的线条,还要准确估计线条的位置和方向。本节将介绍如何找到最适合给定点集的线。
首先要做的是识别图像中可能沿直线对齐的点,可以使用霍夫变换检测到的线段。使用 cv::HoughLinesP
检测到的线段 lines
包含在向量 std::vector
中。
(1) 要提取可能的点集,比如说,第 1
条线段,我们可以在黑色图像上绘制一条白线,并将其与用于检测线条的 Canny
轮廓图像相交:
int n = 0;
// 提取探测到的第一条线段的轮廓像素
cv::Mat oneline(image.size(), CV_8U, cv::Scalar(0));
cv::line(oneline, cv::Point(li[n][0], li[n][1]), cv::Point(li[n][2], li[n][3]), cv::Scalar(255), 3);
cv::bitwise_and(contours, oneline, oneline);
以上代码可以获得只包含可以与指定线关联的点,为了引入一些公差,我们绘制了一条一定粗细的线(线宽为 3
),因此,在定义的邻域内的所有点可以都被接受。结果如下图所示(为了便于观察,反转图像像素值):
(2) 通过双循环将这个集合中点的坐标插入到 cv::Point
函数的 std::vector
中(也可以使用浮点坐标,即 cv::Point2f
):
std::vector<cv::Point> points;
// 迭代像素以获得所有点位置
for (int y=0; y<oneline.rows; y++) {
uchar* rowPtr = oneline.ptr<uchar>(y);
for (int x=0; x<oneline.cols; x++) {
if (rowPtr[x]) {
points.push_back(cv::Point(x, y));
}
}
}
(3) 通过调用 cv::fitLine
函数很容易找到最佳拟合线段:
// 拟合直线
cv::Vec4f line;
cv::fitLine(points, line, cv::DIST_L2, 0, 0.01, 0.01);
以上代码以单位方向向量( cv::Vec4f
的前两个值)和线上一个点的坐标( cv::Vec4f
的后两个值)的形式提供线段方程的参数。对于示例结果,方向向量为 (0.83, 0.55)
,点坐标的值为 (366.1, 289.1)
。cv::fitLine
函数的最后两个参数用于指定所需线段参数的精度。
(4) 线段方程可以用于计算某些属性,作为说明,我们可以在图像上绘制拟合的线。例如,绘制一个长度为 100
像素、宽度为 3
像素的黑色线段:
int x0 = line[2];
int y0 = line[3];
int x1 = x0+100*line[0];
int y1 = y1+100*line[1];
// 绘制直线
cv::line(image, cv::Point(x0, y0), cv::Point(x1, y1), 0, 2);
绘制结果如下图所示:
将一组点拟合为一条线是数学中的一个经典问题,cv::fitLine
函数通过最小化每个点到直线的距离总和来拟合直线。
可以使用不同的距离函数,欧几里得距离( CV_DIST_L2
) 是最容易计算的距离,其对应于标准最小二乘线拟合。当点集中包含异常值(即不属于该线的点)时,可以选择其他异常点影响较小的距离函数。最小化基于 M
估计技术,该技术迭代地解决加权最小二乘问题,其权重与距离直线的距离成反比。
使用 cv::fitLine
函数,还可以将一组 3D
点集拟合为一条直线,此时,输入是一组 cv::Point3i
或 cv::Point3f
类型数据,输出类型为 std::Vec6f
。cv::fitEllipse
函数可以将一组 2D
点拟合为椭圆,其返回一个旋转矩形( cv::RotatedRect
实例),椭圆内接于该矩形内:
cv::RotatedRect rrect= cv::fitEllipse(cv::Mat(points));
cv::ellipse(image,rrect,cv::Scalar(0));
cv::ellipse
函数用来绘制计算出的椭圆函数图像。
库文件 linefinder.h
和 edgedetector.h
可以参考线条检测一节,主函数 fitLine.cpp
代码如下所示:
#include
#include
#include
#include
#include
#include "linefinder.h"
#include "edgedetector.h"
#define PI 3.1415926
int main() {
// 读取输入图像
cv::Mat image = cv::imread("road.jpg", 0);
if (!image.data) return 0;
cv::namedWindow("Original Image");
cv::imshow("Original Image", image);
// 计算 Sobel
EdgeDetector ed;
ed.computeSobel(image);
cv::namedWindow("Sobel (orientation)");
cv::imshow("Sobel (orientation)", ed.getSobelOrientationImage());
cv::imwrite("ori.png", ed.getSobelOrientationImage());
// 低阈值 Sobel
cv::namedWindow("Sobel (low threshold)");
cv::imshow("Sobel (low threshold)", ed.getBinaryMap(125));
// 高阈值 Sobel
cv::namedWindow("Sobel (high threshold)");
cv::imshow("Sobel (high threshold)", ed.getBinaryMap(350));
// 应用 Canny 算法
cv::Mat contours;
cv::Canny(image, // 灰度图像
contours, // 输出图像
125, // 低阈值
350); // 高阈值
cv::namedWindow("Canny Contours");
cv::imshow("Canny Contours", 255-contours);
// 霍夫变换
std::vector<cv::Vec2f> lines;
cv::HoughLines(contours, lines, 1, PI/180, 50);
// 绘制检测结果
cv::Mat result(contours.rows, contours.cols, CV_8U, cv::Scalar(255));
image.copyTo(result);
std::cout << "Lines detected: " << lines.size() << std::endl;
std::vector<cv::Vec2f>::const_iterator it = lines.begin();
while (it!=lines.end()) {
float rho = (*it)[0];
float theta = (*it)[1];
if (theta < PI/4. || theta > 3.*PI/4.) { // 竖线
// 直线与图像第一行交点
cv::Point pt1(rho/cos(theta), 0);
// 直线与图像最后一行交点
cv::Point pt2((rho-result.rows*sin(theta))/cos(theta), result.rows);
cv::line(result, pt1, pt2, cv::Scalar(255), 1);
} else { // 横线
// 直线与图像第一列交点
cv::Point pt1(0, rho/sin(theta));
// 直线与图像最后一列交点
cv::Point pt2(result.cols, (rho-result.cols*cos(theta))/sin(theta));
cv::line(result, pt1, pt2, cv::Scalar(255), 1);
}
std::cout << "line: (" << rho << "," << theta << ")" << std::endl;
++it;
}
cv::namedWindow("Lines with Hough");
cv::imshow("Lines with Hough", result);
// 创建 LineFinder 实例
LineFinder ld;
// 设置概率霍夫变换
ld.setLineLengthAndGap(100, 20);
ld.setMinVote(60);
// 直线检测
std::vector<cv::Vec4i> li = ld.findLines(contours);
ld.drawDetectedLines(image);
cv::namedWindow("Lines with HoughP");
cv::imshow("Lines with HoughP", image);
std::vector<cv::Vec4i>::const_iterator it2 = li.begin();
while (it2 != li.end()) {
std::cout << "(" << (*it2)[0] << ", " <<
(*it2)[1] << ") - (" << (*it2)[2] <<
", " << (*it2)[3] << ")" << std::endl;
++it2;
}
image = cv::imread("road.jpg", 0);
int n = 0;
cv::line(image, cv::Point(li[n][0], li[n][1]), cv::Point(li[n][2], li[n][3]), cv::Scalar(255), 5);
cv::namedWindow("One line of the Image");
cv::imshow("One line of the Image", image);
// 提取探测到的第一条线段的轮廓像素
cv::Mat oneline(image.size(), CV_8U, cv::Scalar(0));
cv::line(oneline, cv::Point(li[n][0], li[n][1]), cv::Point(li[n][2], li[n][3]), cv::Scalar(255), 3);
cv::bitwise_and(contours, oneline, oneline);
cv::namedWindow("One line");
cv::imshow("One line", 255-oneline);
std::vector<cv::Point> points;
// 迭代像素以获得所有点位置
for (int y=0; y<oneline.rows; y++) {
uchar* rowPtr = oneline.ptr<uchar>(y);
for (int x=0; x<oneline.cols; x++) {
if (rowPtr[x]) {
points.push_back(cv::Point(x, y));
}
}
}
// 拟合直线
cv::Vec4f line;
cv::fitLine(points, line, cv::DIST_L2, 0, 0.01, 0.01);
std::cout << "line: (" << line[0] << ", " << line[1] <<
") (" << line[2] << ", " << line[3] << std::endl;
// 直线上的点
int x0 = line[2];
int y0 = line[3];
int x1 = x0+100*line[0];
int y1 = y0+100*line[1];
image = cv::imread("road.jpg", 0);
// 绘制直线
cv::line(image, cv::Point(x0, y0), cv::Point(x1, y1), 0, 2);
cv::namedWindow("Fitted line");
cv::imshow("Fitted line", image);
cv::waitKey();
return 0;
}
转:https://blog.csdn.net/LOVEmy134611/article/details/128808279?spm=1001.2014.3001.5501