当前位置：首页>前端>正文

Opencv 垃圾分类 opencv垃圾识别

前端2024-05-23 18:54:15

文章目录

前言
1. 低对比度图像脏污区域检测
2. 实现方法介绍
3. C++源码实现
4.结果
总结
参考

前言

今天看了一篇技术文档感觉挺有意思，是关于在低对比度图像中检测脏污区域（这里的脏污指的是比其他区域暗的部分，人眼都不一定能看出来）。

1. 低对比度图像脏污区域检测

先上图：

Opencv 垃圾分类 opencv垃圾识别,Opencv 垃圾分类 opencv垃圾识别_opencv,第1张

Opencv 垃圾分类 opencv垃圾识别,Opencv 垃圾分类 opencv垃圾识别_opencv_02,第2张

第一张图如果不是标注结果，我都没有发现脏污区域在哪里，第二张图还清晰一些，基本可以看出来图像靠近左边缘的位置有偏暗的区域，这就是我们所说的脏污区域了，也是我们要检测的区域。

Opencv 垃圾分类 opencv垃圾识别,Opencv 垃圾分类 opencv垃圾识别_OpenCV实用_03,第3张

Opencv 垃圾分类 opencv垃圾识别,Opencv 垃圾分类 opencv垃圾识别_#include_04,第4张

2. 实现方法介绍

这里介绍两种实现方法，
第一种是用C++实现参考博文的方法，即利用梯度方法来检测，具体步骤如下：

对图像进行高斯模糊去噪，梯度计算对噪声很敏感；
调用Sobel函数计算图像在x,y方向梯度；
调用convertScaleAbs函数将x,y梯度图像像素值限制在0-255；
调用addWeight函数将x,y梯度图像融合；
调用threshold函数对融合图像进行二值化；
使用先腐蚀、后膨胀的形态学处理方法对二值图像进行非脏污区域过滤；
调用findContours方法查找脏污区域轮廓。

第二种方法是本人根据提高图像对比度思路实现的，具体步骤如下：
8. 对图像进行高斯模糊去噪；
9. 使用局部直方图均衡化方法来提高图像对比度；
10. 使用OTSU二值化阈值方法来粗略分割脏污区域；
11. 对二值图像使用腐蚀的形态学操作过滤掉部分非脏污区域；
12. 调用findContours方法查找脏污区域轮廓。

3. C++源码实现

#include <iostream>
#include <opencv2\imgcodecs.hpp>
#include <opencv2\core.hpp>
#include <opencv2\imgproc.hpp>
#include <opencv2\highgui.hpp>
#include <vector>

int main()
{
	using namespace cv;

	std::string strImgFile = "C:\Temp\common\Workspace\Opencv\images\led1.jpg";
	Mat mSrc = imread(strImgFile);

	CV_Assert(mSrc.empty() == false);

	Mat mSrc2 = mSrc.clone();

	CV_Assert(mSrc2.empty() == false);

	Mat mGray;
	cvtColor(mSrc, mGray, COLOR_BGR2GRAY);

	GaussianBlur(mGray, mGray, Size(5, 5), 1.0);
	Mat mGray2 = mGray.clone();

	CV_Assert(mGray.empty() == false);
	imshow("gray", mGray.clone());

	//方法1：利用梯度变化检测缺陷
	Mat mSobelX, mSobelY;
	Sobel(mGray, mSobelX, CV_16S, 1, 0, 7);
	Sobel(mGray, mSobelY, CV_16S, 0, 1, 7);
	convertScaleAbs(mSobelX, mSobelX);
	convertScaleAbs(mSobelY, mSobelY);

	Mat mEdge;
	addWeighted(mSobelX, 1, mSobelY, 1, 0, mEdge);
	imshow("edge", mEdge);

	Mat mThresh;
	threshold(mEdge, mThresh, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("thresh", mThresh);

	Mat kernel1 = getStructuringElement(MORPH_RECT, Size(11, 11));
	CV_Assert(kernel1.empty() == false);

	Mat mMorph;
	morphologyEx(mThresh, mMorph, MORPH_ERODE, kernel1);
	imshow("erode", mMorph);

	Mat kernel2 = getStructuringElement(MORPH_RECT, Size(5, 5));
	morphologyEx(mMorph, mMorph, MORPH_DILATE, kernel2);
	imshow("dilate", mMorph);

	std::vector<std::vector<Point>> contours;
	findContours(mMorph, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);

	for (int i = 0; i < contours.size(); i++)
	{
		float area = contourArea(contours[i]);
		if (area > 200)
		{
			drawContours(mSrc, contours, i, Scalar(0, 0, 255));
		}
	}

	imshow("result1", mSrc.clone());

	//方法2： 利用局部直方图均衡化方法检测缺陷
	Ptr<CLAHE> ptrCLAHE = createCLAHE(20, Size(30, 30));
	ptrCLAHE->apply(mGray2, mGray2);
	imshow("equalizeHist", mGray2);

	Mat mThresh2;
	threshold(mGray2, mThresh2, 0, 255, THRESH_BINARY_INV | THRESH_OTSU);
	CV_Assert(mThresh2.empty() == false);
	imshow("thresh", mThresh2);

	Mat kernel2_1 = getStructuringElement(MORPH_RECT, Size(9, 9));
	Mat mMorph2;
	morphologyEx(mThresh2, mMorph2, MORPH_ERODE, kernel2_1);

	CV_Assert(mMorph2.empty() == false);

	imshow("morph2", mMorph2);

	std::vector<std::vector<Point>> contours2;
	findContours(mMorph2, contours2, RETR_EXTERNAL, CHAIN_APPROX_NONE);

	for (int i = 0; i < contours2.size(); i++)
	{
		float area = contourArea(contours2[i]);
		if (area > 200)
		{
			drawContours(mSrc2, contours2, i, Scalar(0, 0, 255));
		}
	}

	imshow("result2", mSrc2);

	waitKey(0);
	destroyAllWindows();

	system("pause");
	return 0;
}