站长统计app,网站没备案可以使用了吗,全国建设市场公共服务网站,云南高端网站建设#x1f4a1; C/OpenCV 地砖识别系统
本项目旨在利用计算机视觉技术#xff0c;通过 OpenCV 库在 C 环境中实现一个能自动识别图像中地砖轮廓的系统。这对于室内导航、清洁机器人路径规划或增强现实应用非常有用。
系统流程概述
整个识别过程遵循一个标准的计算机视觉处理… C/OpenCV 地砖识别系统
本项目旨在利用计算机视觉技术通过 OpenCV 库在 C 环境中实现一个能自动识别图像中地砖轮廓的系统。这对于室内导航、清洁机器人路径规划或增强现实应用非常有用。
系统流程概述
整个识别过程遵循一个标准的计算机视觉处理流程
图像加载与预处理: 加载输入图像并通过灰度转换、高斯模糊等操作降低噪声、简化图像。边缘检测: 使用 Canny 边缘检测算法找出图像中潜在的边缘这些边缘通常对应地砖的缝隙。轮廓发现与筛选: 从边缘图中寻找所有闭合的轮廓并根据面积和形状是否为四边形进行筛选以确定哪些轮廓是地砖。结果可视化: 将识别出的地砖轮廓绘制在原始图像上并显示结果。 ⚙️ 核心实现步骤
下面我们分步讲解如何用代码实现这个系统。
1. 环境准备
首先请确保你已经安装并配置好了 OpenCV 库。在你的 C 项目中需要包含必要的头文件。
#include opencv2/opencv.hpp
#include iostream
#include vector2. 图像预处理
预处理是成功检测的关键。我们的目标是让地砖的边缘尽可能清晰同时抑制其他无关的纹理和噪声。
加载图像使用 cv::imread 加载一张地砖照片。灰度转换颜色信息对于识别地砖形状通常不是必需的转换为灰度图可以简化计算。使用 cv::cvtColor。高斯模糊使用 cv::GaussianBlur 平滑图像减少微小的图像噪声防止 Canny 算法产生过多的假边缘。 // 读取源图像
cv::Mat src cv::imread(tiles.jpg);
if (src.empty()) {std::cerr Error: Image not loaded. std::endl;return -1;
}// 转换为灰度图
cv::Mat gray;
cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);// 高斯模糊降噪
cv::Mat blurred;
cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);3. Canny 边缘检测
Canny 算法是一种非常流行的边缘检测算法它可以有效地检测出图像中的强边缘同时抑制弱边缘。
// Canny 边缘检测
cv::Mat edges;
cv::Canny(blurred, edges, 50, 150); // 两个阈值需要根据实际图像进行调整50 和 150 是低阈值和高阈值。介于两者之间的边缘只有在连接到强边缘时才会被保留这有助于连接断开的线条。
左原图右Canny 边缘检测结果
4. 轮廓发现与筛选
这是识别的核心。我们将在 Canny 边缘图上寻找轮廓并筛选出那些最可能是地砖的轮廓。
寻找轮廓cv::findContours 函数会扫描二值图像并提取所有轮廓。筛选轮廓 面积过滤使用 cv::contourArea 计算每个轮廓的面积排除太小可能是噪声或太大可能是整个图像边界的轮廓。形状逼近使用 cv::approxPolyDP 对轮廓进行多边形逼近。地砖通常是四边形所以我们主要寻找逼近后有 4 个顶点的轮廓。 std::vectorstd::vectorcv::Point contours;
std::vectorcv::Vec4i hierarchy;// 寻找轮廓
cv::findContours(edges, contours, hierarchy, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE);// 创建一个副本用于绘制
cv::Mat result src.clone();// 遍历所有找到的轮廓
for (size_t i 0; i contours.size(); i) {// 1. 面积过滤double area cv::contourArea(contours[i]);if (area 1000) { // 面积阈值需要根据图像分辨率调整continue;}// 2. 形状逼近std::vectorcv::Point approx;double peri cv::arcLength(contours[i], true);cv::approxPolyDP(contours[i], approx, 0.04 * peri, true); // 0.04 是逼近精度参数// 筛选出四边形if (approx.size() 4) {// 在结果图上绘制找到的地砖轮廓绿色cv::drawContours(result, contours, static_castint(i), cv::Scalar(0, 255, 0), 3);}
}5. 结果展示
最后使用 cv::imshow 将处理后的图像显示出来。
// 显示结果
cv::imshow(Source Image, src);
cv::imshow(Detected Tiles, result);
cv::waitKey(0); // 等待按键最终识别结果检测到的地砖被绿色轮廓标记 完整代码示例
下面是一个将所有步骤整合在一起的完整 C 程序。
#include opencv2/opencv.hpp
#include iostream
#include vectorint main(int argc, char** argv) {// 检查是否提供了图像路径if (argc ! 2) {std::cout Usage: argv[0] Image_Path std::endl;return -1;}// 1. 加载图像cv::Mat src cv::imread(argv[1]);if (src.empty()) {std::cerr Error: Image not loaded from argv[1] std::endl;return -1;}// 2. 预处理cv::Mat gray, blurred, edges;cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 0);// 3. Canny 边缘检测cv::Canny(blurred, edges, 50, 150, 3);// 4. 寻找并筛选轮廓std::vectorstd::vectorcv::Point contours;cv::findContours(edges, contours, cv::RETR_LIST, cv::CHAIN_APPROX_SIMPLE);cv::Mat result src.clone();int tile_count 0;for (size_t i 0; i contours.size(); i) {// 面积过滤double area cv::contourArea(contours[i]);if (area 1000) { // 根据实际情况调整continue;}// 多边形逼近std::vectorcv::Point approx;double peri cv::arcLength(contours[i], true);cv::approxPolyDP(contours[i], approx, 0.04 * peri, true);// 筛选四边形并检查其是否为凸多边形if (approx.size() 4 cv::isContourConvex(approx)) {cv::drawContours(result, contours, static_castint(i), cv::Scalar(0, 255, 0), 3);tile_count;}}std::cout Found tile_count tiles. std::endl;// 5. 显示结果cv::imshow(Source Image, src);cv::imshow(Detected Tiles, result);cv::waitKey(0);return 0;
}编译与运行:
# 编译
g -o tile_detector tile_detector.cpp pkg-config --cflags --libs opencv4
# 运行
./tile_detector your_image.jpg挑战与改进方向
这个基础系统在理想条件下工作良好但在实际应用中可能会遇到一些挑战
光照变化强烈的反光或阴影会干扰边缘检测。可以尝试使用自适应阈值 cv::adaptiveThreshold 代替 Canny。遮挡问题家具或其他物体遮挡地砖会导致轮廓不完整无法识别。复杂的缝隙如果地砖缝隙不清晰或颜色与地砖相近检测会很困难。可以结合霍夫变换 cv::HoughLinesP 来直接检测直线网格。透视畸变对于有明显透视的图像地砖可能不是完美的矩形。虽然 approxPolyDP 有一定容忍度但更高级的方法可能需要透视变换校正。地砖分类当前系统只检测地砖位置。要识别地砖的类型如颜色、纹理可以在找到轮廓后提取每个地砖的 ROI (Region of Interest)并分析其颜色直方图或纹理特征。
