8

ここに画像の説明を入力多くの溝がある表面の写真があります。ほとんどの場合、溝のエッジは平行線を形成するため、Canny と Hough 変換は、線を検出して特徴付けを行うのに非常にうまく機能します。ただし、いくつかの場所で溝が変形し、エッジが平行ではなくなります。

特定のエッジが直線であるかどうか、または直線からのギャップや偏差があるかどうかを確認する簡単な方法を探しています。線形補間の R 二乗パラメータのようなものを考えていますが、ここではより位置に依存するパラメータが必要です。エッジを特徴付ける方法について他に何か考えはありますか?

キャニーエッジ検出後の溝加工の写真を添付し​​ました。ここでは、エッジは直線であり、溝加工は良好です。残念ながら、現時点では溝が損傷している写真にアクセスできません。ただし、溝が損傷している写真では、線に大きなギャップ (写真のサイズの少なくとも 10%) があるか、平行ではありません。

4

2 に答える 2

7

以下で共有しているテクニックの核心はcv::HoughLinesP()、グレースケール画像の線分を見つけるために使用します。

アプリケーションは、入力画像をグレースケールとしてロードすることから開始します。次に、基本的な前処理操作を実行して、画像の特定の特性を強化し、によって実行される検出を改善することを目的としていcv::HoughLinesP()ます。

#include <cv.h>
#include <highgui.h>

#include <algorithm>

// Custom sort method adapted from: http://stackoverflow.com/a/328959/176769
// This is used later by std::sort()
struct sort_by_y_coord 
{
    bool operator ()(cv::Vec4i const& a, cv::Vec4i const& b) const 
    {
        if (a[1] < b[1]) return true;

        if (a[1] > b[1]) return false;

        return false;
    }
};


int main()
{
    /* Load input image as grayscale */

    cv::Mat src = cv::imread("13531682.jpg", 0);

    /* Pre-process the image to enhance the characteristics we are interested at */

    medianBlur(src, src, 5);

    int erosion_size = 2;
    cv::Mat element = cv::getStructuringElement(cv::MORPH_CROSS,
                                       cv::Size(2 * erosion_size + 1, 2 * erosion_size + 1),
                                       cv::Point(erosion_size, erosion_size) );
    cv::erode(src, src, element);
    cv::dilate(src, src, element);

    /* Identify all the lines in the image */

    cv::Size size = src.size();
    std::vector<cv::Vec4i> total_lines;
    cv::HoughLinesP(src, total_lines, 1, CV_PI/180, 100, size.width / 2.f, 20);

    int n_lines = total_lines.size();
    std::cout << "* Total lines: "<< n_lines << std::endl;

    cv::Mat disp_lines(size, CV_8UC1, cv::Scalar(0, 0, 0));

    // For debugging purposes, the block below writes all the lines into disp_lines
    // for (unsigned i = 0; i < n_lines; ++i)
    // {
    //     cv::line(disp_lines, 
    //              cv::Point(total_lines[i][0], total_lines[i][2]),
    //              cv::Point(total_lines[i][3], total_lines[i][4]), 
    //              cv::Scalar(255, 0 ,0));
    // }
    // cv::imwrite("total_lines.png", disp_lines);

この時点で、検出されたすべての線分を視覚化のためにファイルに書き込むことができます。

この時点で、行のベクトルを並べ替える必要があります。これcv::HoughLinesP()は、行間の距離を測定して比較することにより、行のグループを識別できるようにするために並べ替えられたベクトルが必要です。

    /* Sort lines according to their Y coordinate. 
       The line closest to Y == 0 is at the first position of the vector.
    */

    sort(total_lines.begin(), total_lines.end(), sort_by_y_coord());

    /* Separate them according to their (visible) groups */ 

    // Figure out the number of groups by distance between lines
    std::vector<int> idx_of_groups;   // stores the index position where a new group starts
    idx_of_groups.push_back(0); // the first line indicates the start of the first group 

    // The loop jumps over the first line, since it was already added as a group
    int y_dist = 35; // the next groups are identified by a minimum of 35 pixels of distance  
    for (unsigned i = 1; i < n_lines; i++)  
    {
        if ((total_lines[i][5] - total_lines[i-1][6]) >= y_dist) 
        {
            // current index marks the position of a new group
            idx_of_groups.push_back(i); 
            std::cout << "* New group located at line #"<< i << std::endl;           
        }
    }

    int n_groups = idx_of_groups.size();
    std::cout << "* Total groups identified: "<< n_groups << std::endl;

上記のコードの最後の部分は、行のベクトルのインデックス位置を new に格納するだけなvector<int>ので、どの行が新しいグループを開始するかがわかります。

たとえば、新しいベクトルに格納されているインデックスが次のとおりであるとします0 4 8 12。覚えておいてください：それらは各グループの開始を定義します。つまり、グループの終了行は次のとおり0, 4-1, 4, 8-1, 8, 12-1, 12です。

それを知って、次のコードを書きます。

    /* Mark the beginning and end of each group */

    for (unsigned i = 0; i < n_groups; i++)  
    {
        // To do this, we discard the X coordinates of the 2 points from the line, 
        // so we can draw a line from X=0 to X=size.width

        // beginning
        cv::line(disp_lines, 
                 cv::Point(0, total_lines[ idx_of_groups[i] ][7]),
                 cv::Point(size.width, total_lines[ idx_of_groups[i] ][8]), 
                 cv::Scalar(255, 0 ,0));

        // end      
        if (i != n_groups-1)
        {
            cv::line(disp_lines, 
                     cv::Point(0, total_lines[ idx_of_groups[i+1]-1 ][9]),
                     cv::Point(size.width, total_lines[ idx_of_groups[i+1]-1 ][10]), 
                     cv::Scalar(255, 0 ,0));
        }
    }
    // mark the end position of the last group (not done by the loop above)    
    cv::line(disp_lines, 
             cv::Point(0, total_lines[n_lines-1][11]),
             cv::Point(size.width, total_lines[n_lines-1][12]), 
             cv::Scalar(255, 0 ,0));

    /* Save the output image and display it on the screen */

    cv::imwrite("groups.png", disp_lines);

    cv::imshow("groove", disp_lines);
    cv::waitKey(0);
    cv::destroyWindow("groove");

    return 0;
}

結果の画像は次のとおりです。

完全一致ではありませんが、ほぼ一致しています。あちこちに微調整を加えることで、このアプローチはより良くなる可能性があります。sort_by_y_coordX 座標間の距離が短い線 (つまり、小さな線分) と、X 軸上で完全に整列していない線 (の 2 番目のグループの線のような) を破棄する、よりスマートなロジックを作成することから始めます。出力イメージ)。この提案は、アプリケーションによって生成された最初の画像を時間をかけて評価すると、より理にかなっています。

幸運を。

于 2012-11-28T03:15:16.657 に答える