Claire's Blog

繪製出穿過這兩個點(10,20)和(50,30)的中心點，並與和這兩點相連的直線垂直的線。

以下為範例程式:

範例說明 本文為參考下面的文章: Image Segmentation with Distance Transform and Watershed Algorithm 這篇文章是OpenCV官方網站上的一篇教程，介紹了如何使用distanceTransform函數進行圖像分割。在這篇教程中，作者首先介紹了distanceTransform函數的基本概念和用法，然後通過一個實例演示了如何使用distanceTransform函數對圖像進行分割。 範例程式碼 以下為程式範例 distanceTransform distanceTransform函數是OpenCV中的一個函數，用於計算圖像中每個非零點到最近背景像素的距離。distanceTransform函數的第二個Mat矩陣參數dst保存了每個點與最近的零點的距離信息，圖像上越亮的點，代表了離零點的距離越遠。在這篇文章中，作者通過一個實例演示了如何使用distanceTransform函數對圖像進行分割。 在這個實例中，作者首先讀取了一張灰度圖像，然後使用threshold函數對圖像進行二值化處理。接著，作者使用distanceTransform函數計算了圖像中每個非零點到最近背景像素的距離，並將結果保存在了一個Mat矩陣中。最後，作者使用threshold函數對Mat矩陣進行二值化處理，得到了一張分割後的圖像。 需要注意的是，在使用distanceTransform函數時，需要先將圖像進行二值化處理。此外，在計算距離時，可以選擇歐氏距離、L1距離或L-infinity距離等不同的計算方式。 處理的過程圖片 其他參考資料 OpenCV C++/Obj-C: Advanced square detection

原始圖片 在寫純OpenCV的圖像辨識上，最困難的是當要找尋的目標的邊界因為模糊或相黏，而無法抓出正確的邊界的狀況 因為一般使用OpenCV做圖像辨識，我們都會需要先抓到例如說畫面中的某種色塊、再找尋某種符合某條件的形狀之類的 例如以修圖軟體而言，可能會需要先抓取膚色，然後轉換膚色的灰度階層取得面部的高低起伏，再根據灰度階層去抓取符合某種形狀的高低(如鼻子)或顏色差(如嘴巴、眼睛) 也因此，抓取正確的形狀在純粹的圖像辨識(沒有機器學習)的狀況下非常重要，而拆分相黏的形狀(如手放在臉前面)，仍然要正確的辨識目標物件，也成了圖像辨識的一大挑戰 關於這一系列的其他文章，請見: 分水嶺演算法-偵測相連區域形狀 如何檢測畫面中可能的正方形 以下為這次我們要挑戰的目標，就是將這兩個黏在一起的正方形拆分為兩個正方形 解決問題的思考方向 首先我先參考官網的分水嶺演算法介紹:Image Segmentation with Watershed Algorithm 這邊的狀況和我們的需求很類似，都是將相黏的物件拆分開來 下面是在stackoverflow裡一位大大分享的他使用分水嶺演算法的範例程式: 在這篇文章裡有幾個函數需要我們去理解: cv.distanceTransform OpenCV的distanceTransform是一個圖像處理功能，可以計算圖像中每個像素到最近的零值像素之間的歐幾里德距離。distanceTransform功能可以在圖像分割、形狀檢測、物體識別等應用中使用。 在OpenCV中，distanceTransform有三種不同的實現方式：cv2.DIST_L1、cv2.DIST_L2和cv2.DIST_C。cv2.DIST_L1使用曼哈頓距離，cv2.DIST_L2使用歐幾里德距離，而cv2.DIST_C使用切比雪夫距離。 使用distanceTransform功能需要先將圖像二值化，然後計算圖像中每個像素到最近的零值像素之間的距離。distanceTransform返回的結果是一個浮點型的圖像，每個像素值表示該像素到最近的零值像素之間的距離。 以下是distanceTransform的Python程式碼示例： 以下為對上圖做cv.distanceTransform的結果 cv.threshold 將距離變換圖像dt進行歸一化處理，將其轉換成0-255之間的整數型圖像，並使用threshold函數將其二值化，生成一個二值化圖像dt。這個二值化圖像dt中的像素值只有0和255兩種，用來表示圖像中物體和背景之間的分界線。 在這邊我使用了0.9*dist_transform.max()來做為閥值，確認兩個方形之間可以不相連 結果如下: cv2.connectedComponents 在圖像處理和計算機視覺中，常常需要將圖像分割成多個不同的區域，然後對每個區域進行不同的分析和處理。圖像分割的第一步就是對圖像進行連通區域標記，將相連的像素點標記為同一個區域，以便後續處理。 程式碼使用OpenCV中的label函數對二值化圖像dt進行連通區域標記，生成一個標記圖像lbl和連通區域數量ncc。標記圖像lbl中的每個像素點都標記了其所屬的連通區域編號。 OpenCV中提供了幾個函數可以實現連通區域標記，其中最常用的是cv2.connectedComponents和cv2.connectedComponentsWithStats函數，這些函數會將每個連通區域分配一個唯一的標籤（編號），並返回每個區域的一些統計信息，如面積、重心等。 scipy.ndimage.label和cv2.connectedComponents都是對二值化圖像中的連通區域進行標記的函數，但在實現和用法上有所不同。 scipy.ndimage.label是Scipy中的一個函數，用於對二值化圖像進行連通區域標記，它的使用方式如下： 其中，binary_image是二值化的圖像，labels是與原始圖像大小相同的數組，其中每個像素點都標記了其所屬的連通區域編號，num_features是圖像中連通區域的數量。 cv2.connectedComponents是OpenCV中的一個函數，用於對二值化圖像進行連通區域標記，它的使用方式如下： binary_image是二值化的圖像，num_labels是圖像中連通區域的數量，labels是與原始圖像大小相同的數組，其中每個像素點都標記了其所屬的連通區域編號。 兩個函數的返回值不同，scipy.ndimage.label返回的是每個像素點所屬的連通區域編號，而cv2.connectedComponents返回的是每個連通區域的編號。另外，cv2.connectedComponents還可以通過修改設置參數來指定標記的種類，例如指定為4或8連通等。 cv2.watershed 程式碼將標記圖像lbl轉換成整數型數組，並使用OpenCV中的watershed函數進行分水嶺分割，生成一個分割圖像lbl。分割圖像lbl中的像素點表示原始圖像中的每個像素點所屬的區域編號。…

最簡單-使用findContours OpenCV 中有一個名為 findContours 的函數，可以用來查找圖像中的輪廓。一旦你找到了圖像中的輪廓，你可以使用 approxPolyDP 函數來近似地計算輪廓的形狀。如果你要查找正方形，你可以在這些形狀中尋找具有 4 個頂點的多邊形，這些多邊形應該有相近的邊長和角度。如果你要檢測的正方形不是水平的或垂直的，你可能需要使用角度信息來確定它的方向。 當我們可以取得相黏物件邊緣時 – 分水嶺演算法 分水嶺演算法-偵測相連區域形狀 當形狀邊緣不清楚時-使用霍夫找線 使用霍夫變換檢測直線。因為正方形的四條邊是直線，因此可以通過檢測這四條直線來確定正方形。 具體來說，可以使用 OpenCV 中的 HoughLinesP 函數來檢測直線。該函數會返回一組檢測到的線段，這些線段可以是任意方向和長度的線段，因此我們需要對這些線段進行篩選，只保留長度、方向和相對位置都符合要求的線段。接著，我們可以將這些線段按照一定的規則組合成四條邊，從而確定正方形。 以下是一個示例代碼，演示如何使用霍夫變換檢測正方形： 基於角點的角點檢測 哈里斯角點檢測器簡介 Harris Corner Detector 是一種角點檢測算子，常用於計算機視覺算法中以提取角點並推斷圖像的特徵。它由 Chris Harris 和 Mike Stephens 於 1988 年在 Moravec 的角檢測器改進後首次提出。Harris 角點檢測器相比之前的角點檢測器，直接考慮了角點分數的差異，直接參考方向，而不是每 45 度角使用…