OPENCV: SEGMENTERING VED HJÆLP AF TÆRSKELVÆRDI

I denne artikel kaldes en grundlæggende teknik til objektsegmentering Tærskel . Men inden du flytter ind i detaljerne nedenfor er en kort oversigt over OpenCV. OpenCV (Open Source Computer Vision) er en krydsplatform open source-bibliotek med programmeringsfunktioner, der sigter mod at udføre realtids computervisionsopgaver inden for en lang række felter, såsom:

Ansigtsgenkendelse
Iris -genkendelsessystemer
Gestusgenkendelse
Human -Computer Interaction (HCI)
Mobil robotik
Objektidentifikation
Segmentering og anerkendelse
Stereopsis Stereo Vision: Dybdeopfattelse fra 2 kameraer
Augmented reality

Det inkluderer også et robust statistisk maskinlæringsbibliotek, der indeholder en række forskellige klassifikatorer, der bruges til at understøtte ovenstående områder. For at bruge OpenCV skal du blot importere eller inkludere de krævede biblioteker og begynde at bruge det utal af tilgængelige funktioner. Tærskel er en meget populær segmenteringsteknik, der bruges til at adskille et objekt fra dets baggrund. I nedenstående artikel har jeg beskrevet forskellige teknikker, der bruges til tærskel Gråskala-billeder (8-bit) . Processen med tærskel involverer sammenligning af hver pixelværdi af billedet (pixelintensitet) med en specificeret tærskel. Dette deler alle pixels på inputbilledet i 2 grupper:

Pixels har intensitetsværdi lavere end tærsklen.
Pixels har intensitetsværdi større end tærsklen.

Disse 2 grupper får nu forskellige værdier afhængigt af forskellige segmenteringstyper. OpenCV understøtter 5 forskellige tærskelordninger på gråskala (8-bit) billeder ved hjælp af funktionen: Dobbelt tærskel (inputArray SRC OutputArray DST Dobbelt tærskel dobbelt maxval int type) Parametre:

InputArray SRC: Input Image (MAT 8-bit eller 32-bit)

OutputArray DST: Outputbillede (samme størrelse som input)

Dobbelt tærskel: Indstil tærskelværdi

Dobbelt maxval: maxval brugt i type 1 og 2

INT Type*: Specificerer den type tærskel, der skal bruges. (0-4)

*Nedenfor er der angivet en liste over tærskelstyper. Inputbillede

Input RGB -billedet konverteres først til et gråskala -billede, før tærskel er færdig.

OpenCV: Segmentering ved hjælp af tærskelværdi

Tærskeltyper

Hvis pixelintensitetsværdien ved (x y) i kildebillede er større end tærsklen, er værdien i det endelige billede indstillet til maxval.

Hvis pixelintensitetsværdien ved (x y) i kildebillede er større end tærsklen, er værdien i det endelige billede indstillet til 0 ellers er den indstillet til maxval.

Hvis pixelintensitetsværdien ved (x y) i kildebillede er større end tærsklen, er værdien i det endelige billede indstillet til tærskel ellers er den uændret.

Hvis pixelintensitetsværdien ved (x y) i kildebillede er større end tærsklen, ændres værdien ved (x y) i det endelige billede ikke. Alle de resterende pixels er indstillet til '0'.

Hvis pixelintensitetsværdien ved (x y) i kildebillede er større end tærsklen, er værdien ved (x y) i det endelige billede indstillet til '0'. Al den resterende pixelværdi er uændret.

For at kompilere OpenCV -programmer skal du have OpenCV -bibliotek installeret på dit system. Jeg lægger en simpel tutorial for det samme i de kommende dage. Hvis du allerede har installeret OpenCV, skal du køre nedenstående kode med det indgangsbillede efter eget valg. CPP

    // CPP program to demonstrate segmentation   // thresholding.   #include         #include         #include         #include         using     namespace     cv  ;   int     main  (  int     argc       char  **     argv  )   {      if     (  argc     !=     2  )         {      cout      < <     ' Usage:  '      '   '      < <     endl  ;      return     -1  ;      }      int     threshold_value     =     0  ;      // Valid Values: 0 1 2 3 4      int     threshold_type     =     2  ;         // maxVal useful for threshold_type 1 and 2      int     maxVal     =     255  ;         // Source image      Mat     src     =     imread  (  argv  [  1  ]     1  );      cvNamedWindow  (  'Original'       CV_WINDOW_NORMAL  );      imshow  (  'Original'       src  );      Mat     src_gray       dst  ;      // Convert the image to GrayScale      cvtColor  (  src       src_gray       CV_BGR2GRAY  );      // Create a window to display results      cvNamedWindow  (  'Result'       CV_WINDOW_NORMAL  );      createTrackbar  (  'Threshold'       'Result'           &  threshold_value       255  );      while     (  1  )         {      threshold  (  src_gray       dst       threshold_value           maxVal       threshold_type  );      imshow  (  'Result'       dst  );      waitKey  (  1  );      }   }