Обрезка коротких сегментов линии на выходе детектора границ?

Question

Я ищу алгоритм для обрезки коротких сегментов линии на выходе детектора краев.Как видно на изображении (и ссылке) ниже, обнаружено несколько небольших краев, которые не являются «длинными» линиями.В идеале я бы хотел, чтобы после обработки отображались только 4 стороны четырехугольника, но если есть пара случайных линий, это не будет иметь большого значения...Какие-либо предложения?

Ссылка на изображение

Answer 1

Прежде чем найти края, предварительно обработайте изображение с помощью открыть или закрывать операция (или обе), то есть разрушать с последующим расширять, или расширять с последующим разрушать.это должно удалить меньшие объекты, но оставить более крупные примерно такими же.

Я искал примеры в Интернете и лучшее, что мне удалось найти, было на странице 41 книги. этот PDF.

Answer 2

Я сомневаюсь, что это можно сделать простой локальной операцией.Посмотрите на прямоугольник, который вы хотите сохранить: в нем есть несколько пробелов, поэтому выполнение локальной операции по удалению коротких сегментов линии, вероятно, сильно снизит качество желаемого результата.

В результате я попытался определить прямоугольник как важный контент, закрыв пробелы, разместив многоугольник или что-то в этом роде, а затем на втором этапе отбросил оставшееся неважное содержимое.Может быть Преобразование Хафа мог бы помочь.

ОБНОВЛЯТЬ

Я просто использовал это образец заявления используя преобразование Хафа ядра с вашим образцом изображения, вы получили четыре красивые линии, соответствующие вашему прямоугольнику.

Answer 3

На случай, если кто-то вступит в эту тему, OpenCV 2.x предлагает пример с именем Squares.cpp это в основном решает эту задачу.

Я внес небольшие изменения в приложение, чтобы улучшить обнаружение четырехугольник

Код:

#include "highgui.h"
#include "cv.h"

#include <iostream>
#include <math.h>
#include <string.h>

using namespace cv;
using namespace std;

void help()
{
        cout <<
        "\nA program using pyramid scaling, Canny, contours, contour simpification and\n"
        "memory storage (it's got it all folks) to find\n"
        "squares in a list of images pic1-6.png\n"
        "Returns sequence of squares detected on the image.\n"
        "the sequence is stored in the specified memory storage\n"
        "Call:\n"
        "./squares\n"
    "Using OpenCV version %s\n" << CV_VERSION << "\n" << endl;
}

int thresh = 70, N = 2; 
const char* wndname = "Square Detection Demonized";

// helper function:
// finds a cosine of angle between vectors
// from pt0->pt1 and from pt0->pt2
double angle( Point pt1, Point pt2, Point pt0 )
{
    double dx1 = pt1.x - pt0.x;
    double dy1 = pt1.y - pt0.y;
    double dx2 = pt2.x - pt0.x;
    double dy2 = pt2.y - pt0.y;
    return (dx1*dx2 + dy1*dy2)/sqrt((dx1*dx1 + dy1*dy1)*(dx2*dx2 + dy2*dy2) + 1e-10);
}

// returns sequence of squares detected on the image.
// the sequence is stored in the specified memory storage
void findSquares( const Mat& image, vector<vector<Point> >& squares )
{
    squares.clear();

    Mat pyr, timg, gray0(image.size(), CV_8U), gray;

    // karlphillip: dilate the image so this technique can detect the white square,
    Mat out(image);
    dilate(out, out, Mat(), Point(-1,-1));
    // then blur it so that the ocean/sea become one big segment to avoid detecting them as 2 big squares.
    medianBlur(out, out, 3);

    // down-scale and upscale the image to filter out the noise
    pyrDown(out, pyr, Size(out.cols/2, out.rows/2));
    pyrUp(pyr, timg, out.size());
    vector<vector<Point> > contours;

    // find squares only in the first color plane
    for( int c = 0; c < 1; c++ ) // was: c < 3
    {
        int ch[] = {c, 0};
        mixChannels(&timg, 1, &gray0, 1, ch, 1);

        // try several threshold levels
        for( int l = 0; l < N; l++ )
        {
            // hack: use Canny instead of zero threshold level.
            // Canny helps to catch squares with gradient shading
            if( l == 0 )
            {
                // apply Canny. Take the upper threshold from slider
                // and set the lower to 0 (which forces edges merging)
                Canny(gray0, gray, 0, thresh, 5);
                // dilate canny output to remove potential
                // holes between edge segments
                dilate(gray, gray, Mat(), Point(-1,-1));
            }
            else
            {
                // apply threshold if l!=0:
                //     tgray(x,y) = gray(x,y) < (l+1)*255/N ? 255 : 0
                gray = gray0 >= (l+1)*255/N;
            }

            // find contours and store them all as a list
            findContours(gray, contours, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE);

            vector<Point> approx;

            // test each contour
            for( size_t i = 0; i < contours.size(); i++ )
            {
                // approximate contour with accuracy proportional
                // to the contour perimeter
                approxPolyDP(Mat(contours[i]), approx, arcLength(Mat(contours[i]), true)*0.02, true);

                // square contours should have 4 vertices after approximation
                // relatively large area (to filter out noisy contours)
                // and be convex.
                // Note: absolute value of an area is used because
                // area may be positive or negative - in accordance with the
                // contour orientation
                if( approx.size() == 4 &&
                    fabs(contourArea(Mat(approx))) > 1000 &&
                    isContourConvex(Mat(approx)) )
                {
                    double maxCosine = 0;

                    for( int j = 2; j < 5; j++ )
                    {
                        // find the maximum cosine of the angle between joint edges
                        double cosine = fabs(angle(approx[j%4], approx[j-2], approx[j-1]));
                        maxCosine = MAX(maxCosine, cosine);
                    }

                    // if cosines of all angles are small
                    // (all angles are ~90 degree) then write quandrange
                    // vertices to resultant sequence
                    if( maxCosine < 0.3 )
                        squares.push_back(approx);
                }
            }
        }
    }
}


// the function draws all the squares in the image
void drawSquares( Mat& image, const vector<vector<Point> >& squares )
{
    for( size_t i = 1; i < squares.size(); i++ )
    {
        const Point* p = &squares[i][0];
        int n = (int)squares[i].size();
        polylines(image, &p, &n, 1, true, Scalar(0,255,0), 3, CV_AA);
    }

    imshow(wndname, image);
}


int main(int argc, char** argv)
{
    if (argc < 2)
    {
        cout << "Usage: ./program <file>" << endl;
        return -1;
    }

    static const char* names[] = { argv[1], 0 };

    help();
    namedWindow( wndname, 1 );
    vector<vector<Point> > squares;

    for( int i = 0; names[i] != 0; i++ )
    {
        Mat image = imread(names[i], 1);
        if( image.empty() )
        {
            cout << "Couldn't load " << names[i] << endl;
            continue;
        }

        findSquares(image, squares);
        drawSquares(image, squares);
        imwrite("out.jpg", image);

        int c = waitKey();
        if( (char)c == 27 )
            break;
    }

    return 0;
}

Answer 4

Преобразование Хафа может оказаться очень дорогостоящей операцией.

Альтернатива, которая может хорошо работать в твой случай следующее:

1. выполнить две математические морфологические операции, называемые закрытием изображения (http://homepages.inf.ed.ac.uk/rbf/HIPR2/close.htm) с элементом структурирования горизонтальной и вертикальной линии (заданной длины, определенной в результате тестирования) соответственно.Целью этого является закрытие всех пробелов в большом прямоугольнике.

2. выполнить анализ связанных компонентов.Если вы правильно выполнили морфологию, большой прямоугольник получится как один связный компонент.Тогда остается только перебрать все связанные компоненты и выбрать наиболее вероятного кандидата, которым должен быть большой прямоугольник.

Answer 5

Возможно, поиск связанных компонентов, затем удаление компонентов с размером менее X пикселей (определено эмпирическим путем), а затем расширение вдоль горизонтальных/вертикальных линий, чтобы повторно соединить пробелы внутри прямоугольника.

Answer 6

Можно использовать два основных метода:

1. Векторная операция:сопоставьте свои пиксельные острова с кластерами (блобами, зонами Вороного и т. д.).Затем примените некоторые эвристики для исправления сегментов, например алгоритм аппроксимации цепочки Тех-Чин, и выполните обрезку векторных элементов (начало, конечная точка, длина, ориентация и т. д.).

2. Операция на основе набора:кластеризуйте ваши данные (как указано выше).Для каждого кластера вычислите главные компоненты и определите линии из кругов или любой другой формы, ища кластеры, показывающие только 1 значимое собственное значение (или 2, если вы ищете «толстые» сегменты, которые могут напоминать эллипсы).Проверьте собственные векторы, связанные с собственными значениями, чтобы получить информацию об ориентации больших двоичных объектов, и сделайте свой выбор.

Оба способа можно легко изучить с помощью OpenCV (первый действительно подпадает под категорию алгоритмов «Контурный анализ»).

Answer 7

Вот простое решение морфологической фильтрации, соответствующее строкам @Tom10:

Решение в матлабе:

se1 = strel('line',5,180);            % linear horizontal structuring element 
se2 = strel('line',5,90);             % linear vertical structuring element 
I = rgb2gray(imread('test.jpg'))>80;  % threshold (since i had a grayscale version of the image)
Idil = imdilate(imdilate(I,se1),se2); % dilate contours so that they connect
Idil_area = bwareaopen(Idil,1200);    % area filter them to remove the small components

Идея состоит в том, чтобы соединить горизонтальные контуры, чтобы создать большой компонент, а затем отфильтровать его с помощью фильтра открытия области, чтобы получить прямоугольник.

Полученные результаты: