C++opencv气泡检测；博客地址https://blog.csdn.net/bigdata1994pb/category_1

#include <iostream> #include <opencv2/core.hpp> #include <opencv2/highgui.hpp> #include <opencv2/imgproc.hpp> //调整图像显示尺寸函数 void Myshow(std::string name, const cv::Mat& cv_src) { cv::namedWindow(name, 0); /*void nameWindow(const string& winname,int flags = WINDOW_AUTOSIZE) 参数1：新建的窗口的名称。自己随便取。 参数2：窗口的标识，一般默认为WINDOW_AUTOSIZE*/ int max_rows = 400; int max_cols = 400; cv::resizeWindow(name, cv::Size(max_cols, max_rows)); cv::imshow(name, cv_src); } int main() { //读入图像 cv::Mat image = cv::imread("../测试图片/气泡.jpg"); //判断是否读取成功 if (image.empty()) { std::cout << "图片为空" << std::endl; return -1; } Myshow("原图", image); //克隆彩色图片 cv::Mat dst = image.clone(); //转为灰度图像 if (image.channels() > 1) { cv::cvtColor(image, image, cv::COLOR_BGR2GRAY); } cv::Mat segmentation; //自适应阈值二值化 double t1 = (double)cv::getTickCount();//计时 cv::adaptiveThreshold(image, segmentation, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY_INV, 25, 10); /*void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C); InputArray src：源图像 OutputArray dst：输出图像，与源图像大小一致 double类型的maxval，阈值最大值 int adaptiveMethod：在一个邻域内计算阈值所采用的算法，有两个取值 ADAPTIVE_THRESH_MEAN_C的计算方法是计算出领域的平均值再减去第七个参数double C的值。 ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出领域的高斯均值再减去第七个参数double C的值。 int thresholdType：这是阈值类型，只有两个取值，分别为 THRESH_BINARY（标准的二值化阈值法）和THRESH_BINARY_INV（反向二值化） int blockSize：adaptiveThreshold的计算单位是像素的邻域块，这是局部邻域大小，3、5、7等。 double C：这个参数实际上是一个偏移值调整量，用均值和高斯计算阈值后，再减或加这个值就是最终阈值。*/ t1 = (double)cv::getTickCount() - t1; double time1 = (t1 * 1000.) / ((double)cv::getTickFrequency()); std::cout << "自适应阈值二值化用时 = " << time1 << " ms. " << std::endl << std::endl; Myshow("自适应阈值二值化", segmentation); //形态学处理 //获取结构元素 cv::Mat morphologyKernel = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(3, 3), cv::Point(-1, -1));//返回一个矩形 /*Mat getStructuringElement(int shape, Size esize, Point anchor = Point(-1, -1)); 这个函数的第一个参数表示内核的形状，有三种形状可以选择。矩形：MORPH_RECT;交叉形：MORPH_CROSS;椭圆形：MORPH_ELLIPSE; 第二和第三个参数分别是内核的尺寸以及锚点的位置。一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得 getStructuringElement函数的返回值 : 对于锚点的位置，有默认值Point（ - 1, -1），表示锚点位于中心点。element形状唯一依赖锚点位置，其他情况下，锚点只是影响了形态学运算结果的偏移。*/ cv::Mat form; //开闭操作 double t2 = (double)cv::getTickCount();//计时 morphologyEx(segmentation, form, cv::MORPH_OPEN, morphologyKernel, cv::Point(-1, -1), 1, cv::BORDER_REPLICATE); /*void morphologyEx(InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor = Point(-1, -1), intiterations = 1, int borderType = BORDER_CONSTANT, const Scalar & borderValue = morphologyDefaultBorderValue()) 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。图像位深应该为以下五种之一：CV_8U, CV_16U, CV_16S, CV_32F 或CV_64F。 第二个参数，OutputArray类型的dst，即目标图像，函数的输出参数，需要和源图片有一样的尺寸和类型。 第三个参数，int类型的op，表示形态学运算的类型，可以是如下之一的标识符： MORPH_OPEN – 开运算（Opening operation） MORPH_CLOSE – 闭运算（Closing operation） MORPH_GRADIENT - 形态学梯度（Morphological gradient） MORPH_TOPHAT - “顶帽”（“Top hat”） MORPH_BLACKHAT - “黑帽”（“Black hat“） 第四个参数，InputArray类型的kernel，形态学运算的内核。若为NULL时，表示的是使用参考点位于中心3x3的核。我们一般使用函数 getStructuringElement配合这个参数的使用。getStructuringElement函数会返回指定形状和尺寸的结构元素（内核矩阵）。关于getStructuringElement我们上篇文章中讲过了，这里为了大家参阅方便，再写一遍： 其中，getStructuringElement函数的第一个参数表示内核的形状，我们可以选择如下三种形状之一 : 矩形: MORPH_RECT 交叉形 : MORPH_CROSS 椭圆形 : MORPH_ELLIPSE 而getStructuringElement函数的第二和第三个参数分别是内核的尺寸以及锚点的位置。 我们一般在调用erode以及dilate函数之前，先定义一个Mat类型的变量来获得getStructuringElement函数的返回值。对于锚点的位置，有默认值Point(-1, -1)，表示锚点位于中心。且需要注意，十字形的element形状唯一依赖于锚点的位置。而在其他情况下，锚点只是影响了形态学运算结果的偏移。 第五个参数，Point类型的anchor，锚的位置，其有默认值（ - 1， - 1），表示锚位于中心。 第六个参数，int类型的iterations，迭代使用函数的次数，默认值为1。 第七个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_ CONSTANT。 第八个参数，const Scalar & 类型的borderValue，当边界为常数时的边界值，有默认值morphologyDefaultBorderValue()，一般我们不用去管他。需要用到它时，可以看官方文档中的createMorphologyFilter()函数得到更详细的解释。*/ t2 = (double)cv::getTickCount() - t2; double time2 = (t2 * 1000.) / ((double)cv::getTickFrequency()); std::cout << "开闭操作用时 = " << time2 << " ms. " << std::endl << std::endl; Myshow("形态学", form); //绘制轮廓 //轮廓检测所需参数，具体看findContours的参数解释 std::vector< std::vector<cv::Point> > contours;//点的容器的容器 std::vector<cv::Vec4i> hierarchy;//Vec4i是一个包含4个int数据类型的结构体 //轮廓检测 double t3 = (double)cv::getTickCount();//计时 findContours(form.clone(), contours, hierarchy, cv::RETR_CCOMP, cv::CHAIN_APPROX_SIMPLE, cv::Point(-3, 0));//CV_RETR_TREE /*findContours(InputOutputArray image, OutputArrayOfArrays contours,OutputArray hierarchy, int mode,int method, Point offset = Point()); 第一个参数：image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像； 第二个参数：contours，定义为“vector<vector<Point>> contours”，是一个向量，并且是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。有多少轮廓，向量contours就有多少元素。 第三个参数：hierarchy，定义为“vector<Vec4i> hierarchy”，先来看一下Vec4i的定义：typedef Vec<int, 4> Vec4i;Vec4i是Vec<int, 4>的别名，定义了一个“向量内每一个元素包含了4个int型变量”的向量。所以从定义上看，hierarchy也是一个向量，向量内每个元素保存了一个包含4个int整型的数组。向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为默认值 - 1。 第四个参数：int型的mode，定义轮廓的检索模式： 取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略 取值二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为 - 1，具体下文会讲到 取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层 取值四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。 第五个参数：int型的method，定义轮廓的近似方法： 取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内 取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留 取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh - Chinl chain 近似算法 第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值！*/ t3 = (double)cv::getTickCount() - t3; double time3 = (t3 * 1000.) / ((double)cv::getTickFrequency()); std::cout << "轮