數(shù)字圖像處理

1、一、數(shù)字圖像處理的工業(yè)應(yīng)用數(shù)字圖像處理工業(yè)檢測應(yīng)用實(shí)例1.數(shù)字圖像處理的工業(yè)應(yīng)用工業(yè)和工程方面的應(yīng)用在工業(yè)和工程領(lǐng)域中圖像處理技術(shù)有著廣泛的應(yīng)用，如自動(dòng)裝配線中檢測零件的質(zhì)量、并對(duì)零件進(jìn)行分類，印刷電路板疵病檢查，彈性力學(xué)照片的應(yīng)力分析，流體力學(xué)圖片的阻力和升力分析，郵政信件的自動(dòng)分揀，在一些有毒、放射性環(huán)境內(nèi)識(shí)別工件及物體的形狀和排列狀態(tài)，先進(jìn)的設(shè)計(jì)和制造技術(shù)中采用工業(yè)視覺等等。其中值得一提的是研制具備視覺、聽覺和觸覺功能的智能機(jī)器人，將會(huì)給工農(nóng)業(yè)生產(chǎn)帶來新的激勵(lì)，目前已在工業(yè)生產(chǎn)中的噴漆、焊接、裝配中得到有效的利用。2.數(shù)字圖像處理工業(yè)檢測應(yīng)用實(shí)例色織布的疵點(diǎn)自動(dòng)檢測算法由于日益加速的計(jì)算

2、能力和彩色相機(jī)設(shè)備的更新?lián)Q代，人們對(duì)類似圖1所示的色織布疵點(diǎn)圖像進(jìn)行實(shí)時(shí)處理。色織布的圖像處理屬于彩色數(shù)字圖像處理范圍，色織布的疵點(diǎn)自動(dòng)檢測算法基礎(chǔ)就是色彩模型、色彩量化和粉色技術(shù)。1931年，國際照明委員會(huì)（CIE）規(guī)定用波長為900、546.1、435.8nm的單色光紅（R）、綠（R）、藍(lán)（B）作為三原色。RGB顏色模型是三維直角坐標(biāo)顏色系統(tǒng)中的一個(gè)單位正方體。GIE顏色模型包括一系列顏色模型，這些顏色模型是由國際照明委員會(huì)提出的，是基于人的眼睛對(duì)RGB的反應(yīng)，被用于精確表示對(duì)色彩的接收。GIE的模型包括：GIEXYZ,GIELab和GIEYuv等。另外，CMY顏色模型是以紅、綠、藍(lán)3中顏

3、色的補(bǔ)色青、品紅、黃為原色構(gòu)成的顏色模型。HSV顏色模型由紅、黃、綠、青、藍(lán)、品紅排列而成，每種顏色和它的補(bǔ)色相差180°，復(fù)合人眼對(duì)顏色的感覺。相關(guān)的顏色模型制漿可以相互轉(zhuǎn)換機(jī)器視覺布匹疵點(diǎn)檢測系統(tǒng)之色織布檢測算法1.1基于RGB空間的算法色織布圖像處理技術(shù)常常模仿灰度處理的方法，可以直接在RGB顏色空間的各個(gè)色彩平面進(jìn)行處理。Caelli等在RGB顏色空間用多尺度各向同性濾波器處理圖像，特征從每個(gè)通道中提取，然后合并起來分類檢測。Maenpaa等測量基于RGB通道累積直方圖的顏色表示作為彩色特征，用共生矩陣和LBP算子表示紋理特征，對(duì)木塊表面紋理疵點(diǎn)進(jìn)行檢測。1.2變換到其他顏色

4、空間的方法彩色織布圖像處理可以從RGB空間變換到其他空間，把色彩通道和亮度通道分開，對(duì)圖像進(jìn)行分析。Liapis等把彩色織布圖像變換到Lab空間，在L通道進(jìn)行離散小波變換，提取灰度疵點(diǎn)的特征，在a和b通道得到局部直方圖，用作顏色疵點(diǎn)特征的提取。近來，Tsai等也將彩色紋理圖像變換到Lab顏色空間，這個(gè)空間中每個(gè)像素的兩個(gè)色彩用色相和濃度表示，在這兩個(gè)通道中用Gabor濾波檢測疵點(diǎn)。文獻(xiàn)論證了在這兩個(gè)通道中處理圖像受光照強(qiáng)度的變化影響最小，并假設(shè)疵點(diǎn)是從顏色上可以區(qū)分的。然而一大批疵點(diǎn)的產(chǎn)生是由于灰度的不規(guī)則引起的，例如，和亮度變化有關(guān)的疵點(diǎn)不能引起色相和濃度的不同，因此，也有其局限性。圖14種

5、色織布疵點(diǎn)圖像1.3考慮顏色各通道之間相關(guān)性的方法在彩色圖像疵點(diǎn)檢測的分析中，提取通道之間的相關(guān)性是非常重要的?；叶燃y理分析技術(shù)被應(yīng)用在每個(gè)通道，而不同通道之間的像素相互作用也應(yīng)考濾到，如Rosenfeld等是最早提出這種彩色圖像處理技術(shù)的研究者之一。Panjwani等設(shè)計(jì)了一個(gè)GMRF模型以解碼彩色通道內(nèi)和通道之間的空間相關(guān)性。Jain等在每個(gè)彩色通道里應(yīng)用Gabor濾波器濾波，可以獲得每個(gè)通道的紋理特征，通過取得了顏色通道之間空間相關(guān)性獲得對(duì)方通道的特征。Kittler等通過二值化空間像素分布分析完成顏色聚類，識(shí)別彩色瓷磚圖像的疵點(diǎn)，考慮了顏色聚類與空域中的二值圖像的空域和頻域的相互作用。

6、1.4在全三維顏色空間的方法迄今為止，為了處理彩色紋理圖像而在完全三維空間的模型研究相對(duì)有限，三維數(shù)據(jù)空間常常被用上面提到的方法變形，用低維空間的方法建模和分析數(shù)據(jù)。然而，由于彩色圖像數(shù)據(jù)空間通道間只能近似非相關(guān)，所以這些方法不可避免地使信息受到損失。Jojic等和Xie等用Epitom和Texem模型給出了緊密的三維彩色圖像紋理的描述。圖像被假設(shè)成依賴圖像塊里原始像素值的基元的集合，1個(gè)塊的中心點(diǎn)的鄰域被假設(shè)為統(tǒng)計(jì)條件下是獨(dú)立的。在Epitome模型里，一個(gè)隱藏的映射圖Epitome表示原始圖像；在Texem模型里，詳細(xì)的映射圖由多級(jí)較小的Epitome描述。這些緊密的表示方法本身同時(shí)具有空

7、域和頻域的相互作用特性。但是，在全三維色彩空間的疵點(diǎn)檢測計(jì)算代價(jià)較大，為了適應(yīng)實(shí)時(shí)處理，需要配置特殊的硬件和軟件?？偠灾?，彩色圖像分析的織物疵點(diǎn)檢測算法有待進(jìn)一步研究和發(fā)展，己報(bào)道的文章極其有限，而且僅是針對(duì)所有領(lǐng)域彩色紋理圖像，比較籠統(tǒng)。由于色織布的彩色紋理圖像處理有其特殊性，用機(jī)器視覺和圖像處理檢測疵點(diǎn)有一定困難，但是隨著色織布的生產(chǎn)和出口量日益上升，代替人工檢測和分類的有效自動(dòng)色織布疵點(diǎn)檢測系統(tǒng)的需求越來越迫切。二、機(jī)器視覺的應(yīng)用、現(xiàn)狀和發(fā)展前景機(jī)器視覺與圖像處理的關(guān)系1、自動(dòng)印刷品質(zhì)量檢測設(shè)備采用的檢測系統(tǒng)多是先利用高清晰度、高速攝像鏡頭拍攝標(biāo)準(zhǔn)圖像，在此基礎(chǔ)上設(shè)定一定標(biāo)準(zhǔn)；然后拍攝

8、被檢測的圖像，再將兩者進(jìn)行對(duì)比。2、凹版印刷機(jī)位置控制及產(chǎn)品檢測由設(shè)置在生產(chǎn)線上的攝像機(jī)連續(xù)攝取印制品的視頻圖像，攝像的速度在30幀s以下且可調(diào)。攝像機(jī)采集到的圖像，首先進(jìn)行量化，將模擬信號(hào)轉(zhuǎn)化成數(shù)字信號(hào)，從中抽取一張有效代表鏡頭內(nèi)容的關(guān)鍵幀，并將其顯示在顯示器上。對(duì)于一幀圖像，可采用對(duì)靜止圖像的分析方法來處理，通過尺寸測量和多光譜分析可識(shí)別出視頻圖像上各色標(biāo)，得出色標(biāo)間距和色標(biāo)的顏色參數(shù)以及一些其他相關(guān)。3、在現(xiàn)代包裝行業(yè)中的應(yīng)用在現(xiàn)代包裝工業(yè)自動(dòng)化生產(chǎn)中，涉及到各種各樣的檢查、測量，比如飲料瓶蓋的印刷質(zhì)量檢查，產(chǎn)品包裝上的條碼和字符識(shí)別等。機(jī)器視覺現(xiàn)狀和發(fā)展前景在機(jī)器視覺系統(tǒng)中，關(guān)鍵技術(shù)有

9、光源照明技術(shù)、光學(xué)鏡頭、攝像機(jī)、圖像采集卡、圖像處理卡和快速準(zhǔn)確的執(zhí)行機(jī)構(gòu)等方面。在機(jī)器視覺應(yīng)用系統(tǒng)中；好的光源與照明方案往往是整個(gè)系統(tǒng)成敗的關(guān)鍵；起著非常重要的作用；它并不是簡單的照亮物體而已。光源與照明方案的配合應(yīng)盡可能地突出物體特征量；在物體需要檢測的部分與那些不重要部份之間應(yīng)盡可能地產(chǎn)生明顯的區(qū)別；增加對(duì)比度；同時(shí)還應(yīng)保證足夠的整體亮度；物體位置的變化不應(yīng)該影響成像的質(zhì)量。在機(jī)器視覺應(yīng)用系統(tǒng)中一般使用透射光和反射光。對(duì)于反射光情況應(yīng)充分考慮光源和光學(xué)鏡頭的相對(duì)位置、物體表面的紋理；物體的幾何形狀、背景等要素。光源的選擇必須符合所需的幾何形狀、照明亮度、均勻度、發(fā)光的光譜特性等；同時(shí)還要

10、考慮光源的發(fā)光效率和使用壽命。光學(xué)鏡頭相當(dāng)于人眼的晶狀體；在機(jī)器視覺系統(tǒng)中非常重要。一個(gè)鏡頭的成像質(zhì)量優(yōu)劣；即其對(duì)像差校正的優(yōu)良與否；可通過像差大小來衡量；常見的像差有球差、彗差、像散、場曲、畸變、色差等六種。攝像機(jī)和圖像采集卡共同完成對(duì)物料圖像的采集與數(shù)字化。高質(zhì)量的圖像信息是系統(tǒng)正確判斷和決策的原始依據(jù)；是整個(gè)系統(tǒng)成功與否的又一關(guān)鍵所在。目前在機(jī)器視覺系統(tǒng)中；CCD攝像機(jī)以其體積小巧、性能可靠、清晰度高等優(yōu)點(diǎn)得到了廣泛使用。CCD攝像機(jī)按照其使用的CCD器件可以分為線陣式和面陣式兩大類。線陣CCD攝像機(jī)一次只能獲得圖像的一行信息；被拍攝的物體必須以直線形式從攝像機(jī)前移過；才能獲得完整的圖像

11、；因此非常適合對(duì)以一定速度勻速運(yùn)動(dòng)的物料流的圖像檢測；而面陣CCD攝像機(jī)則可以一次獲得整幅圖像的信息。圖像信號(hào)的處理是機(jī)器視覺系統(tǒng)的核心；它相當(dāng)于人的大腦。如何對(duì)圖像進(jìn)行處理和運(yùn)算；即算法都體現(xiàn)在這里；是機(jī)器視覺系統(tǒng)開發(fā)中的重點(diǎn)和難點(diǎn)所在。隨著計(jì)算機(jī)技術(shù)、微電子技術(shù)和大規(guī)模集成電路技術(shù)的快速發(fā)展；為了提高系統(tǒng)的實(shí)時(shí)性；對(duì)圖像處理的很多工作都可以借助硬件完成；如DSP、專用圖像信號(hào)處理卡等；軟件則主要完成算法中非常復(fù)雜、不太成熟、尚需不斷探索和改變的部分。從產(chǎn)品本身看，機(jī)器視覺會(huì)越來越趨于依靠PC技術(shù)，并且與數(shù)據(jù)采集等其他控制和測量的集成會(huì)更緊密。且基于嵌入式的產(chǎn)品將逐漸取代板卡式產(chǎn)品，這是一個(gè)

12、不斷增長的趨勢。主要原因是隨著計(jì)算機(jī)技術(shù)和微電子技術(shù)的迅速發(fā)展，嵌入式系統(tǒng)應(yīng)用領(lǐng)域越來越廣泛，尤其是其具備低功耗技術(shù)的特點(diǎn)得到人們的重視。另外，嵌入式操作系統(tǒng)絕大部分是以C語言為基礎(chǔ)的，因此使用C高級(jí)語言進(jìn)行嵌入式系統(tǒng)開發(fā)是一項(xiàng)帶有基礎(chǔ)性的工作，使用高級(jí)語言的優(yōu)點(diǎn)是可以提高工作效率，縮短開發(fā)周期，更主要的是開發(fā)出的產(chǎn)品可靠性高、可維護(hù)性好、便于不斷完善和升級(jí)換代等。因此，嵌入式產(chǎn)品將會(huì)取代板卡式產(chǎn)品。由于機(jī)器視覺是自動(dòng)化的一部分，沒有自動(dòng)化就不會(huì)有機(jī)器視覺，機(jī)器視覺軟硬件產(chǎn)品正逐漸成為協(xié)作生產(chǎn)制造過程中不同階段的核心系統(tǒng)，無論是用戶還是硬件供應(yīng)商都將機(jī)器視覺產(chǎn)品作為生產(chǎn)線上信息收集的工具，這就

13、要求機(jī)器視覺產(chǎn)品大量采用標(biāo)準(zhǔn)化技術(shù)，直觀的說就是要隨著自動(dòng)化的開放而逐漸開放，可以根據(jù)用戶的需求進(jìn)行二次開發(fā)。當(dāng)今，自動(dòng)化企業(yè)正在倡導(dǎo)軟硬一體化解決方案，機(jī)器視覺的廠商在未來5-6年內(nèi)也應(yīng)該不單純是只提供產(chǎn)品的供應(yīng)商，而是逐漸向一體化解決方案的系統(tǒng)集成商邁進(jìn)。在未來的幾年內(nèi)，隨著中國加工制造業(yè)的發(fā)展，對(duì)于機(jī)器視覺的需求也逐漸增多；隨著機(jī)器視覺產(chǎn)品的增多，技術(shù)的提高，國內(nèi)機(jī)器視覺的應(yīng)用狀況將由初期的低端轉(zhuǎn)向高端。由于機(jī)器視覺的介入，自動(dòng)化將朝著更智能、更快速的方向發(fā)展。機(jī)器視覺與圖像處理的關(guān)系圖像處理的主要功能是將獲得的低質(zhì)量圖像（反差小，模糊，變形等）用計(jì)算機(jī)處理成更適合人眼觀察或儀器檢測的圖

14、像。而機(jī)器視覺中，視覺信息的處理技術(shù)主要依賴于圖像處理方法，它包括圖像增強(qiáng)、數(shù)據(jù)編碼和傳輸、平滑、邊緣銳化、分割、特征抽取、圖像識(shí)別與理解等內(nèi)容。經(jīng)過這些處理后，輸出圖像的質(zhì)量得到相當(dāng)程度的改善，既改善了圖像的視覺效果，又便于計(jì)算機(jī)對(duì)圖像進(jìn)行分析、處理和識(shí)別。簡單來說，機(jī)器視覺就是給機(jī)器增加一個(gè)智能的眼睛，讓機(jī)器具備視覺的功能，能看能檢測能判斷，可以替代傳統(tǒng)的人工或者簡單的機(jī)械治具。其原理是將需檢測的產(chǎn)品或區(qū)域進(jìn)行成像，然后根據(jù)其圖像信息用專用的圖像處理軟件進(jìn)行處理，根據(jù)處理結(jié)果軟件能自動(dòng)判斷產(chǎn)品的位置、尺寸、外觀信息，并根據(jù)人為預(yù)先設(shè)定的標(biāo)準(zhǔn)進(jìn)行合格與否的判斷，輸出其判斷信息給執(zhí)行機(jī)構(gòu)。由此

15、，看出圖像處理是機(jī)器視覺內(nèi)在的工具，將機(jī)器的眼睛變得更好用。先根據(jù)圖像處理標(biāo)準(zhǔn)，人為對(duì)機(jī)器眼睛進(jìn)行預(yù)設(shè)，接著機(jī)器的眼睛所看的圖像，把圖像拿到圖像處理中繪制到計(jì)算機(jī)，最后計(jì)算機(jī)分析，處理和識(shí)別。三、數(shù)字圖像處理的工業(yè)應(yīng)用 大體步驟是：首先進(jìn)行邊緣檢測，然后進(jìn)行填充。然后進(jìn)行開運(yùn)算，可以使一些輕微連著的米粒分開來。然后是遍歷圖片，把各米粒進(jìn)行標(biāo)號(hào)，從1開始從小到大標(biāo)號(hào)。每個(gè)米粒的各像素點(diǎn)值相同，第i個(gè)米粒的各像素點(diǎn)值均為i。其中采用了隊(duì)列，用數(shù)組模擬。最大的米粒標(biāo)號(hào)便是米粒的總個(gè)數(shù)。最后，遍歷一遍圖像數(shù)組，便可求出各米粒的面積。參考代碼(matlab實(shí)現(xiàn))：clear; close all; I

16、= imread('rice.png'); width,height = size(I); J = edge(I,'canny'); %figure,imshow(J); K = imfill(J,'holes'); %figure,imshow(K); SE = strel('disk',3);%用于膨脹腐蝕及開閉運(yùn)算等操作的結(jié)構(gòu)元素對(duì)象 %對(duì)圖像實(shí)現(xiàn)開運(yùn)算，開運(yùn)算一般能平滑圖像的輪廓，消弱狹窄的部分，去掉細(xì)的突出。 L = imopen(K,SE); figure,imshow(L); L = uint8(L);%把L由log

17、ic類型轉(zhuǎn)化為uint8類型 for i = 1:height for j = 1:width if L(i,j) = 1 L(i,j) = 255;%把白色像素點(diǎn)像素值賦值為255 end end end MAXSIZE = 999999; Q = zeros(MAXSIZE,2);%用數(shù)組模擬隊(duì)列,存儲(chǔ)像素點(diǎn)坐標(biāo) front = 1;%指明隊(duì)頭的位置 rear = 1;%指明隊(duì)尾的下一個(gè)位置；front=rear表示隊(duì)空 flag = 0;%米粒的標(biāo)號(hào) for i = 1:height for j = 1:width if L(i,j) = 255%白色像素點(diǎn)入隊(duì)列 if front =

18、rear%隊(duì)列空，找到新米粒，米粒標(biāo)號(hào)加一 flag = flag+1; end L(i,j) = flag;%給白色像素賦值為米粒的標(biāo)號(hào) Q(rear,1) = i; Q(rear,2) = j; rear = rear+1;%隊(duì)尾后移 while front = rear %隊(duì)頭出隊(duì) temp_i = Q(front,1); temp_j = Q(front,2); front = front + 1; %把隊(duì)頭位置像素點(diǎn)8連通鄰域中未作標(biāo)記的白色像素點(diǎn)入隊(duì),并加上米粒標(biāo)號(hào) %左上角的像素點(diǎn) if L(temp_i - 1,temp_j - 1) = 255 L(temp_i - 1,te

19、mp_j - 1) = flag; Q(rear,1) = temp_i - 1; Q(rear,2) = temp_j - 1; rear = rear + 1; end %正上方的像素點(diǎn) if L(temp_i - 1,temp_j) = 255 L(temp_i - 1,temp_j) = flag; Q(rear,1) = temp_i - 1; Q(rear,2) = temp_j; rear = rear + 1; end %右上方的像素點(diǎn) if L(temp_i - 1,temp_j + 1) = 255 L(temp_i - 1,temp_j + 1) = flag; Q(re

20、ar,1) = temp_i - 1; Q(rear,2) = temp_j + 1; rear = rear + 1; end %正左方的像素點(diǎn) if L(temp_i,temp_j - 1) = 255 L(temp_i,temp_j - 1) = flag; Q(rear,1) = temp_i; Q(rear,2) = temp_j - 1; rear = rear + 1; end %正右方的像素點(diǎn) if L(temp_i,temp_j + 1) = 255 L(temp_i,temp_j + 1) = flag; Q(rear,1) = temp_i; Q(rear,2) = te

21、mp_j + 1; rear = rear + 1; end %左下方的像素點(diǎn) if L(temp_i + 1,temp_j - 1) = 255 L(temp_i + 1,temp_j - 1) = flag; Q(rear,1) = temp_i + 1; Q(rear,2) = temp_j - 1; rear = rear + 1; end %正下方的像素點(diǎn) if L(temp_i + 1,temp_j) = 255 L(temp_i + 1,temp_j) = flag; Q(rear,1) = temp_i + 1; Q(rear,2) = temp_j; rear = rear

22、+ 1; end %右下方的像素點(diǎn) if L(temp_i + 1,temp_j + 1) = 255 L(temp_i + 1,temp_j + 1) = flag; Q(rear,1) = temp_i + 1; Q(rear,2) = temp_j + 1; rear = rear + 1; end end end end end figure,imshow(L); RiceNumber = flag;%記錄米粒的總個(gè)數(shù) disp('米粒的總個(gè)數(shù):') RiceNumber RiceArea = zeros(1,RiceNumber);%記錄各米粒的大小 for i =

23、1:height for j = 1:width if L(i,j) = 0 RiceArea(L(i,j) = RiceArea(L(i,j) + 1; end end end disp('各米粒的大小(按照從上往下，從左往右的順序)：') RiceArea 運(yùn)行結(jié)果：邊緣檢測，填充，開運(yùn)算之后的結(jié)果： 可以看出有些輕微連著的米粒被分開了。進(jìn)行標(biāo)號(hào)后的結(jié)果：米粒是從上到下從左到右依次編號(hào)的。從圖中米粒的明暗程度可以看出來。最終結(jié)果：米粒的總個(gè)數(shù):RiceNumber = 69各米粒的大小(按照從上往下，從左往右的順序)：RiceArea =Columns 1 through

24、20212 146 197 179 224 431 208 182 147 189 236 214 207 202 138 188 158 202 210 181Columns 21 through 40186 211 199 227 203 223 224 227 249 254 225 187 183 200 232 199 210 200 198 183Columns 41 through 60230 268 233 235 193 206 240 158 207 215 238 200 239 227 207 254 237 203 211 236 Columns 61 through

25、 69 219 152 225 238 169 223 215 195 195四、計(jì)算pcb.png圖中各焊盤的圖像坐標(biāo)dev_close_window () dev_open_window (0, 0, 1109 / 2, 871 / 2, 'black', WindowHandle) read_image (Image, 'pcb') threshold (Image, Region, 0, 100) erosion_circle (Region, RegionErosion, 11.5) connectio

26、n (RegionErosion, ConnectedRegions) dilation_circle (ConnectedRegions, RegionDilation, 11.5) dev_display (Image) dev_display (RegionDilation) *以上是halcon中的例子，hdevelop/Regions/Features/rectangularity.hdev area_center(RegionDilation, Area, Row, Column)void main() IplImage* src=

27、cvLoadImage("1.jpg",CV_LOAD_IMAGE_UNCHANGED);/三通道的彩色圖像 IplImage* dst=cvCreateImage(cvSize(src->width,src->height),IPL_DEPTH_8U,1); cvCvtColor(src,dst,CV_RGB2GRAY); for (int i=0;i<dst->height;i+) /反色 uchar* ptr=(uchar*)(dst->imageData+i*dst->widthStep); for (int j=0;j<d

28、st->width;j+) ptrj=255-ptrj; cvSmooth(dst,dst,CV_MEDIAN,11); cvThreshold(dst,dst,200,255,CV_THRESH_TOZERO); /創(chuàng)建核,結(jié)構(gòu)元素原點(diǎn)非常重要， /以5*5的核為例，中心點(diǎn)在（2,2）位置，改為（1,1）后，畫出整個(gè)輪廓向左上角平移 IplConvKernel* myModel=cvCreateStructuringElementEx(5,5,2,2,CV_SHAPE_ELLIPSE); /*cvErode(dst,dst,myModel,3);*/ /*cvDilate(dst,ds

29、t,myModel,2);*/ /*cvMorphologyEx(dst,dst,NULL,NULL,CV_MOP_OPEN,1);*/ cvMorphologyEx(dst,dst,NULL,myModel,CV_MOP_OPEN,4); /*cvMorphologyEx(dst,dst,NULL,NULL,CV_MOP_CLOSE,1);*/ / /* * 從上面的二值圖可以看出，對(duì)于圓提取影響較大的是矩形 * 而矩形和圓分開，可以用圓形度特征分開，實(shí)踐證明該方法不可行 * 另一種思路：比較矩形和圓輪廓的外接矩形，利用長與寬的差值作為特征來實(shí)現(xiàn) */ /利用圓形度來檢測 /for (CvS

30、eq* c=contour;c!=NULL;c=c->h_next) / / /實(shí)驗(yàn)表明圓形度不可用 / /計(jì)算輪廓面積 / double area=cvContourArea(c,CV_WHOLE_SEQ); / /計(jì)算輪廓周長 / double length=cvArcLength(c,CV_WHOLE_SEQ,-1); / std:cout<<area<<std:endl; / /計(jì)算圓形度 / double e=4*CV_PI*abs(area)/(length*length); / / /判斷輪廓是否為圓 / if (e>=0.885) / / cvDrawContours(dst,c,cvScalarAll(255),cvScalarAll(255),10,1); / / CvMemStorage* storage=cvCreateMemStorage(); /尋找輪廓 CvSeq* contour=NULL; CvContourScanner scanner=cvStartFindContours(dst,s