Обрезка коротких сегментов линии на выходе детектора границ?
-
13-09-2019 - |
Вопрос
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?
Решение
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.
Другие советы
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.
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;
}
Преобразование Хафа может оказаться очень дорогостоящей операцией.
Альтернатива, которая может хорошо работать в твой случай следующее:
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.
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.
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.
Можно использовать два основных метода:
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.).
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»).
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: