Systemy Wizyjne

Kurs OpenCV

Instrukcja 2

Przetwarzanie obrazu

Skala szarości

Binaryzacja

Filtracja

Histogram

Opracował:

Ziemowit Dworakowski

[e-mail]

Informacja o ćwiczeniu:

Ta instrukcja wprowadza informacje i funkcje służące do podstawowego przetwarzania

obrazów i filmów: Konwersję obrazu do skali szarości, binaryzację obrazu, wyznaczenie
histogramu obrazu oraz podstawowe filtry

Potrzebne funkcje:

W poniższej instrukcji należy skorzystać z bibliotek cv oraz highgui

Skala szarości

W celu konwersji obrazu kolorowego do skali szarości wykorzystujemy funkcję cvtColor, która
przyjmuje informację o obrazie źródłowym, obrazie wyjściowym oraz wykorzystanej funkcji.
Konwersja koloriwego obrazu

Mat frame;

do obrazu w skali szarości

Mat grayframe;

zostanie

wykonana za pomocą następującej linii:

cvtColor(frame,grayframe,CV_RGB2GRAY);

Binaryzacja obrazu

Binaryzacja obrazu w skali szarości wykonywana jest za pomocą funkcji threshold która przyjmuje
informację o obrazie źródłowym, wyjściowym, progu binaryzacji, maksymalnej wartości obrazu po
binaryzacji oraz rodzaju binaryzacji. Standardowa binaryzacja z progiem 125 obrazu

Mat grayframe

z zapisem go do obrazu

Mat grayframe

wykonana zostanie za pomocą następującej linii:

threshold(grayframe, binaryframe, 125, 255,0);

Podmieniając ostatni argument funkcji threshold uzyskujemy różne rodzaje binaryzacji. (Sprawdź w
tutorialu i przetestuj pozostałe sposoby binaryzacji!)

Histogram obrazu

Histogram pozwala w graficzny sposób przedstawić ilość poszczególnych kolorów lub poziomów
jasności na obrazie. Aby narysować histogram potrzebować będziemy Mat-pliku do
przechowywania wyniku, rozmiaru histogramu oraz zakresu danego kanału barwnego:

Mat hist;

int

histSize = 256;

float

range[] = { 0, 255 };

const

float

* histRange = { range };

W tym przykładzie wyznaczymy histogram obrazu uprzednio skonwertowanego na skalę szarości -
zawierającego tylko jeden kanał barwny - przechowujący informację o poziomie szarości każdego
piksela:

calcHist( &grayframe, 1, 0, Mat(), hist, 1, &histSize, &histRange, 1, 0 );

Powyższa funkcja wyznacza histogram dla klatki

Mat grayframe

, wynik zapisuje w obrazie

Mat

hist

. (Sprawdź w tutorialu co przekazywane jest do funkcji w pozostałych argumentach!)

Po wyznaczeniu hitogramu należy go wyświetlić. W tym celu tworzymy obraz a następnie w każdej
kolumnie obrazu rysujemy linię reprezentującą dany poziom szarości:

Mat histImage( histSize, 256, CV_8UC3, Scalar( 0,0,0) );

for

(

int

i = 1; i < histSize; i++ )

{
line( histImage,Point(i,255),Point(i,256-hist.at<

float

>(i)),Scalar(0,200,230),1,8);

}

Rozmywanie obrazu

W celu ograniczenia ilości szumów stosuje się rozmycie obrazu.
Rozmycie gaussowskie wykonujemy korzystając z funkcji przyjmującej obraz wejściowy,
wyjściowy oraz rozmiar maski wykorzystywanej w algorytmie - tutaj 5x5:

GaussianBlur( grayframe, filtered, Size( 5, 5 ), 0, 0 );

Filtry morfologiczne

W celu wykorzystania filtrów erozji, dylacji, otwarcia i zamknięcia trzeba najpierw określić maskę,
która zostanie wykorzystana w procesie filtracji. Maska powinna mieć kształt i rozmiar. W tym
przypadku korzystamy z maski prostokątnej o rozmiarach 4x4:

Mat kernel = getStructuringElement( MORPH_RECT, Size( 4, 4 ));

Po zdefiniowaniu maski wykonujemy filtrację poprzez wykorzystanie odpowiedniej funkcji z
argumentami: obraz wejściowy, obraz wynikowy, rodzaj filtracji, maska:

morphologyEx( frame, filtered, 0, kernel );

Rodzaje filtrów morfologicznych do wyboru:
0 - Erozja
1 - Dylatacja
2 - Otwarcie
3 - Zamknięcie
4 - Gradient
5 - Tophat
6 - Blackhat

Detekcja krawędzi

W celu wykrywania krawędzi na obrazie korzystać można z szeregu różnych filtrów. Filtry Sobel i
Scharr wyznaczają aproksymację dyskretnej pochodnej obrazu w dwóch kierunkach, ...

Poniżej przedstawiona jest implementacja funkcji Sobel i Scharr:

Scharr( grayframe, edgedetection, CV_8UC1, 1, 0, scale, 0, BORDER_DEFAULT );
Sobel( grayframe, edgedetection, CV_8UC1, 0, 1, 3,scale, 0, BORDER_DEFAULT );

Mat grayframe

to obraz wejściowy,

Mat edgedetection

to obraz wyjściowy,

CV_8UC1

oznacza głębię

kolorów, dwie kolejne liczby oznaczają kierunek filtracji. (Wykrywanie krawędzi pionowych lub
poziomych). (

int scale

) oznacza skalę. Sprawdź jakie efekty uzyskasz zmieniając głębię kolorów

na

CV_16UC1

Implementacja Laplasjanu wygląda następująco:

Laplacian(grayframe, edgedetection, CV_8UC1, kernel_size, scale, 0, BORDER_DEFAULT );

Jak poprzednio, argumentami funkcji są obraz wejściowy, wynikowy i głębia kolorów. Dodatkowo
zdefiniować należy rozmiar maski.(

int kernel_size

)

Detekcja krawędzi z zastosowaniem algorytmu Canny Edge Detection wykonywana jest komendą:

Canny(grayframe, edgedetection, 50, 150, kernel_size );

Argumentami funkcji są obraz wejściowy, obraz wynikowy, górny i dolny próg znajdowania
krawędzi oraz rozmiar maski.