基于OPENCV和VC++的目標提取技術 - 全文

　　OpenCV是一個基于BSD許可（開源）發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實現了圖像處理和計算機視覺方面的很多通用算法。OpenCV用C++語言編寫，它的主要接口也是C++語言，但是依然保留了大量的C語言接口。該庫也有大量的Python， Java and MATLAB/OCTAVE （版本2.5）的接口。這些語言的API接口函數可以通過在線文檔獲得。如今也提供對于C#，Ch， Ruby的支持。

　　OpenCV于1999年由Intel建立，如今由Willow Garage提供支持。OpenCV是一個基于BSD許可［1］ （開源）發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列 C 函數和少量 C++ 類構成，同時提供了Python、Ruby、MATLAB等語言的接口，實現了圖像處理和計算機視覺方面的很多通用算法。 最新版本是3.3 ，2017年8月3日發(fā)布。

　　OpenCV 擁有包括 500 多個C函數的跨平臺的中、高層 API。它不依賴于其它的外部庫——盡管也可以使用某些外部庫。OpenCV 為Intel? Integrated Performance Primitives （IPP） 提供了透明接口。 這意味著如果有為特定處理器優(yōu)化的 IPP 庫， OpenCV 將在運行時自動加載這些庫。

　　VC++是微軟公司開發(fā)的一個集成開發(fā)環(huán)境，具有多方面強大的功能，可以利用其開發(fā)許多領域的實用軟件，數字圖像處理也是其主要功能之但純用VC++處理圖像難度很大，僅圖像的讀入和顯示就需要很大的代碼量，并要求開發(fā)人員必須對圖像的內部結構認識清晰且能熟練使用C+t語言。而對于初次使用VC++處理圖像的人員來說要做到這些方面確實有一定的難度。OPENCV提供了許多數字圖像處理的函數，如果能和VC++結合使用將會在很大程度上降低工作難度，減少工作量。本文以灰度圖像的目標提取為例說明OPENCV和VC++結合處理圖像的能力。

　　環(huán)境配量

　　在VC++中使用OPENCV函數，首先要將OPENCV函數庫嵌入到VC++中。目前OPENCV最典型的版本為1.0和2.0，VC++版本有6.0，2005和2008，若要使用OPENCV2.0則必須使用VC++2005或VC++2008，因為目前OPENCV2.0在VC++6.0中還沒有成功案例。本文以OPENCV1.0和VC++6.0作為開發(fā)環(huán)境。將OPENCV1.0函數庫嵌入到VC++6.0的方法很多資料上都有詳細的闡述，這里就不做介紹了。

　　目標提取

　　目標提取的任務是從單幅圖像或序列圖像中將感興趣的目標與背最分割開來，用于后續(xù)的處理。感興趣目標的有效提取對于目標分類、身份識別和行為理解等中高層次的任務非常重要，因為后續(xù)的處理過程通常只考慮圖像中對應于感興趣區(qū)域的像素，并將極大的促進視頻編碼、檢索、人機交互、運動捕捉等課題的研究目標提取技術最常見的處理過程如圖1所示：

　　導入圖像

　　對一幅圖像進行處理之前，首先要讀取圖像的相關數據，為了觀察算法的實現效果，還需清楚地看到處理后的圖像結果，這就需要讀入和顯示圖像。假若只用VC++，需要開發(fā)人員對圖像的結構及VC++知識有個深刻的理解，代碼量大，運算復雜，這就讓很多初學者望而卻步，然而在VC++環(huán)境下借助OPENCV函數庫，可以方便的讀入和顯示圖片。代碼如下：

　　Ip1Image*img=cvLoadImage（“E： \hua.bmp”，-1） ;

　　cvNamedWindow（“win1”，0） ;

　　cvShowImage（“win1”，img） ;

　　cvWai tKey （0） ;

　　第一句功能為讀入圖像，需要注意的是表示路徑的反斜杠必須為“\”，因為字符串中“\”為轉義字符，代表一個“”，參數“-1”表示以原有顏色通道顯示圖像（還可以選擇別的值，在這里就不加說明了）; 第二句功能為建立一個名字為“win1“ 的窗口，“0”表示窗 口 大小由系統(tǒng)自動給定; 第三句功能是將圖像在“win1” 窗口中顯示; 第四句功能為延遲窗口顯示時間，按回車鍵窗口會關閉，假若沒有第四局，圖像會閃一下消失，用戶觀察不到具體的圖像。

　　去除背景

　　讀入圖像后，需要做的第一步就是去除背景。去除背景就是在一幅圖像中，把目標從背景中分離出來，以便于進一步處理［2］。去除背最是目標提取的一個重要環(huán)節(jié)，背最是否去除干凈以及目標圖像保留信息的完整性直接決定著下一步任務能否正常完成。去除背最方法根據算法的不同可分為闞值法、邊界探測法和匹配法等［3］，其中闊值法的使用最為普遍。眾多資料介紹了多種圖像閾值分割算法。OPENCV提供了固定闞值分割函數cvThreshold和自適應闞值函數cvAdaptiveThreshold，函數cvThreshold對單通道數組應用固定閾值操作，該函數的典型應用是對灰度圖像進行固定閾值操作得到二值圖像，cvAdaptiveThreshold原則上為自適應闞值算法提供的函數，然而經過測試，此函數的確切功能是獲得物體邊緣，而非二值化函數，這應該是OPENCV不完善的地方之一。

　　在眾多的闞值法分割圖像算法中，大津法OSTU （又叫最大類間方差法） 是闞值分割的經典算法。大津法利用闞值threld將圖像分為前景和背景，前最點數占圖像比例為n1，平均灰度為o1，背景點數占圖像比例為n2，平均灰度為m2，圖像總的平均灰度為=n1*如1+n2*m2，前景和背景像素方差公式為n1*（m1-m）2+n2*（m-m2）2，將m的值帶入上式即得最終方差公式n1*n2*（m1-m2）*（m1-m2），當方差值最大時，說明此時的闞值threld最合適.OSTU算法的核心代碼如下：

　　for（k=0; k《256; k++）

　?。?/p>

　　n1+=ihist［k］;

　　if（！nl）

　　cont inue ;

　　n2=n-n 1;

　　if（n2==0）

　　break ;

　　csum+=k*ihist［k］;

　　m1=csum/n1;

　　m2=（sum-csum）/n2;

　　sb=n1*n2*（m1-m2）*（m1-m2） ;

　　if （sb》fmax）

　　{

　　fmax=sb;

　　threld=k;

　　｝

　?。?/p>

　?。?/p>

　　經過OSTU算法找出最佳闞值后，將小于闞值的像素設為0，大于闞值的像素設為256，這樣圖像被設置為黑白兩色（白背景黑目標）。代碼如下：

　　for（i=0; i《height; i++）

　　{

　　for（j=0; j《width; j++）

　　{

　　for（k=0; k《channels; k++）

　　if（data［i*step+j*channels+k］》threld）

　　data ［i *s t ep+j*c hanne 1s +k］=256 ;

　　else

　　data［i*step+j*channels+k］=0;

　?。?/p>

　?。?/p>

　?。?/p>

　　其中，“height“為圖像寬，“width為圖像高，“ channe 1s”為圖像通道，“data［i*step+j*channels+k］” 為像素數值，threld為OSTU算法得出的閾值。

　　因為圖像可能有不同程度的噪波，因此圖像進行這樣的處理后可能不需要靈活采取各種方法處理噪波的會達到完全處理掉背景的目的，此時，遺留痕跡，如腐蝕和膨脹，OPENCV分別提供了對應的函數Erode（）和Dilate（）。

　　二值化圖像

　　通過以上過程得到黑白兩色圖像，對于深色背景淺色目標得到黑背景白目標，對于淺色背景深色目標得到白背景黑目標。由于控制器在處理圖像時對于白色檢測對象辨別度較好，故應將目標設為白色，就是說，假若得到白背景黑目標，需要對其進行反色處理。利用OPENCV在VC++環(huán)境中對圖像進行反色處理的代碼為：

　　i++）

　　for（i=0; i《height;

　　for（j=0; j《width; j++）

　　for（k=0; k《channels; k++）

　　Data［ i*s t ep+j*channe ls + k］=255-data［ i*s t ep+j*c hanne ls + k］ ;

　　以上的黑白圖像為灰度圖像，即像素值為0到255，而二值化圖像像素不是0 （黑色） 就是1（白色），有時候為了計算簡單需將黑白灰度圖像轉換為二值圖像，OPENCV提供了cvThreshold函數對圖像進行二值化。同樣，

　　假若得到的二值圖像是白背景黑目標，需要將其反色處理。

　　提取目標

　　通過以上過程已經得到了白色目標。如果需要顯示目標輪廓，OPENCV提供了對應的函數cvFindContours.以下如圖2和圖3為相關試驗結果：

　　由上可知，在VC++環(huán)境下進行數字圖像處理時，若借助于OPENCV函數以上方法僅適合庫，可以在很大程度上降低工作難度。而通過實驗可知，于簡單背景圖像的目標提取，對于復雜背景，僅僅使用OSTU法去除背景還不能達到非常滿意的效果，在這方面，還需要進行進一步的研究。