基于OpenCV?差分法實現(xiàn)綠葉識別

更新時間：2021年11月24日 15:16:24 作者：翟天保Steven

物體識別是圖像處理學在現(xiàn)實生活中較多的應用之一，本文提供了一種相對簡單的思路來實現(xiàn)綠葉識別，適合初學圖像處理的新人研究參考。感興趣的同學可以關注一下

實現(xiàn)原理

物體識別是圖像處理學在現(xiàn)實生活中較多的應用之一，目前最為流行的就是運用AI、機器學習等技術結(jié)合圖像處理學，大量訓練數(shù)據(jù)集，以實現(xiàn)智能且精確的識別。說到人工智能，很多人可能覺得它非常深奧和復雜，其實說白了它最底層的識別邏輯還是基于普通的圖像分析，像特征提取、輪廓分析、比對分析等等，再在龐大的數(shù)據(jù)集中按照相似程度，分析出一個最可能的結(jié)果。

本文提供了一種相對簡單的思路來實現(xiàn)綠葉識別，適合初學圖像處理的新人研究參考。該方法為差分法：首先對圖像進行高斯濾波處理預處理，平滑圖像數(shù)據(jù)；其次，將圖像顏色通道按RGB拆分，因為識別物為綠葉，其最明顯的特征就是顏色；差分法，將綠色通道減去藍色通道，之所以選擇這兩個通道，是因為藍色通道和綠葉的關系較遠，而紅色搭配綠色可是黃色哦，綠葉中存在黃色特征信息可是再正常不過了；之后，對差分圖進行OTSU閾值處理，得到掩膜感興趣ROI區(qū)域；再后，就是對區(qū)域進行閉運算和孔洞閉合處理，保持區(qū)域完整性；最后，根據(jù)掩膜提取綠葉，完成。

功能函數(shù)代碼

1）識別綠葉函數(shù)。

// 識別綠葉
Mat IdentifyLeaves(cv::Mat input)
{
	CV_Assert(input.channels() == 3);
	Mat temp, result, mask, hole;
	int row = input.rows;
	int col = input.cols;
 
	// 高斯濾波
	GaussianBlur(input, temp, Size(5, 5), 0);
 
	// 通道拆分
	vector<cv::Mat> c;
	split(temp, c);
 
	// 綠通道-藍通道，提取綠色區(qū)域
	Mat diff = c[1] - c[0];
	threshold(diff, mask, 0, 255, THRESH_OTSU);
 
	// 閉運算封口
	cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
	cv::morphologyEx(mask, mask, MORPH_CLOSE, element);
 
	// 孔洞閉合
	hole = 255 - mask;
	Clear_MicroConnected_Areas(hole, hole, row*col / 300);
	mask = 255 - hole;
	Clear_MicroConnected_Areas(mask, mask, row*col / 300);
 
	// 識別區(qū)域標記
	result = input.clone();
	result.setTo(Scalar(0, 0, 0), mask == 0);
	return result;
}

2）清除微小面積連通區(qū)函數(shù)，用于孔洞閉合。具體介紹見：

OpenCV-清除小面積連通域

/**
* @brief  Clear_MicroConnected_Areas         清除微小面積連通區(qū)函數(shù)
* @param  src                                輸入圖像矩陣
* @param  dst                                輸出結(jié)果
* @return min_area                           設定的最小面積清除閾值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{
	// 備份復制
	dst = src.clone();
	std::vector<std::vector<cv::Point> > contours;  // 創(chuàng)建輪廓容器
	std::vector<cv::Vec4i> 	hierarchy;
 
	// 尋找輪廓的函數(shù)
	// 第四個參數(shù)CV_RETR_EXTERNAL，表示尋找最外圍輪廓
	// 第五個參數(shù)CV_CHAIN_APPROX_NONE，表示保存物體邊界上所有連續(xù)的輪廓點到contours向量內(nèi)
	cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());
 
	if (!contours.empty() && !hierarchy.empty())
	{
		std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();
		// 遍歷所有輪廓
		while (itc != contours.end())
		{
			// 定位當前輪廓所在位置
			cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
			// contourArea函數(shù)計算連通區(qū)面積
			double area = contourArea(*itc);
			// 若面積小于設置的閾值
			if (area < min_area)
			{
				// 遍歷輪廓所在位置所有像素點
				for (int i = rect.y; i < rect.y + rect.height; i++)
				{
					uchar *output_data = dst.ptr<uchar>(i);
					for (int j = rect.x; j < rect.x + rect.width; j++)
					{
						// 將連通區(qū)的值置0
						if (output_data[j] == 255)
						{
							output_data[j] = 0;
						}
					}
				}
			}
			itc++;
		}
	}
}

C++測試代碼

#include <iostream>
#include <opencv2/opencv.hpp>
 
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         清除微小面積連通區(qū)函數(shù)
* @param  src                                輸入圖像矩陣
* @param  dst                                輸出結(jié)果
* @return min_area                           設定的最小面積清除閾值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)
{
	// 備份復制
	dst = src.clone();
	std::vector<std::vector<cv::Point> > contours;  // 創(chuàng)建輪廓容器
	std::vector<cv::Vec4i> 	hierarchy;
 
	// 尋找輪廓的函數(shù)
	// 第四個參數(shù)CV_RETR_EXTERNAL，表示尋找最外圍輪廓
	// 第五個參數(shù)CV_CHAIN_APPROX_NONE，表示保存物體邊界上所有連續(xù)的輪廓點到contours向量內(nèi)
	cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());
 
	if (!contours.empty() && !hierarchy.empty())
	{
		std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();
		// 遍歷所有輪廓
		while (itc != contours.end())
		{
			// 定位當前輪廓所在位置
			cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
			// contourArea函數(shù)計算連通區(qū)面積
			double area = contourArea(*itc);
			// 若面積小于設置的閾值
			if (area < min_area)
			{
				// 遍歷輪廓所在位置所有像素點
				for (int i = rect.y; i < rect.y + rect.height; i++)
				{
					uchar *output_data = dst.ptr<uchar>(i);
					for (int j = rect.x; j < rect.x + rect.width; j++)
					{
						// 將連通區(qū)的值置0
						if (output_data[j] == 255)
						{
							output_data[j] = 0;
						}
					}
				}
			}
			itc++;
		}
	}
}
 
// 識別綠葉
Mat IdentifyLeaves(cv::Mat input)
{
	CV_Assert(input.channels() == 3);
	Mat temp, result, mask, hole;
	int row = input.rows;
	int col = input.cols;
 
	// 高斯濾波
	GaussianBlur(input, temp, Size(5, 5), 0);
 
	// 通道拆分
	vector<cv::Mat> c;
	split(temp, c);
 
	// 綠通道-藍通道，提取綠色區(qū)域
	Mat diff = c[1] - c[0];
	threshold(diff, mask, 0, 255, THRESH_OTSU);
 
	// 閉運算封口
	cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
	cv::morphologyEx(mask, mask, MORPH_CLOSE, element);
 
	// 孔洞閉合
	hole = 255 - mask;
	Clear_MicroConnected_Areas(hole, hole, row*col / 300);
	mask = 255 - hole;
	Clear_MicroConnected_Areas(mask, mask, row*col / 300);
 
	// 識別區(qū)域標記
	result = input.clone();
	result.setTo(Scalar(0, 0, 0), mask == 0);
	return result;
}

測試效果