目标检测的图像特征提取之（四）OpenCV中BLOB特征提取与几何形状分类

矫情吗；* 2022-06-16 11:30 441阅读 0赞

## OpenCV中BLOB特征提取与几何形状分类 ##

### 一：方法 ###

二值图像几何形状提取与分离，是机器视觉中重点之一，在CT图像分析与机器人视觉感知等领域应用广泛，OpenCV中提供了一个对二值图像几何特征描述与分析最有效的工具 - SimpleBlobDetector类，使用它可以实现对二值图像几何形状的分离与分析。而它之所以强大是因为整合OpenCV中其它一些API的功能，主要是有三个：

*  自动的图像灰度与二值化，根据输入的步长与阈值，得到半径
 *  实现了轮廓查找功能，可以查找所有轮廓，
 *  然后在此基础上基于几何矩的计算实现各种基于几何特征的过滤

在学习Blob特征检测器相关函数之前，我们首先看一下Blob几何特征过滤时候用到几何特征

### 面积 ###

BLOB特征检测器可以根据面积大小对结果进行过滤，只有面积在指定范围内的几何形状才会被BLOB特征检出并标注。这样就可以通过它实现基于几何形状面积的大小分类。需要说明的是这里的面积是基于像素单位的，主要是利于几何矩进行计算得到。

### 圆度 ###

圆度的公式可以表示为

![Center][]

### 惯性率 ###

惯性率是跟偏心率，圆形的偏心率等于0， 椭圆的偏心率介于0和1之间，直线的偏心率接近于0， 基于几何矩计算惯性率比计算偏心率容易，所以OpenCV选择了惯性率这个特征值，根据惯性率可以计算出来偏心率，偏心率与惯性率之间关系表示如下

![Center 1][]

### 凸度 ###

表示几何形状是凸包还是凹包的度量。说白了就是可以根据参数过滤凸多边形还是凹多边形， 输入的参数一般在0~1之间，最小为0，最大为1。一般圆形多会大于0.5以上

![Center 2][]

## 二 演示 ##

演示部分通过两个例子来说明BLOB特征不同用法，第一个例子通过BLOB特征检测向日葵的葵盘，第二例子通过BLOB特征检测来对几何形状进行过滤分类。

### 示例一 ：原图 ###

![Center 3][]

BLOB检测结果

![Center 4][]

相关的代码如下：

// 初始化BLOB参数
       SimpleBlobDetector::Params params;
       params.minDistBetweenBlobs = 0.0f;
       params.filterByInertia = false;
       params.filterByConvexity = false;
       params.filterByColor = false;
       params.filterByCircularity = false;
       params.filterByArea = false;
       
       // 声明根据面积过滤，设置最大与最小面积
       params.filterByArea = true;
       params.minArea = 20.0f;
       params.maxArea = 2000.0f;
       
       // 声明根据圆度过滤，设置最大与最小圆度
       params.filterByCircularity = true;
       params.minCircularity = 0.5;
       params.maxCircularity = 1.0;
       
       // 凸包形状分析 - 过滤凹包
       params.filterByConvexity = true;
       params.minConvexity = 0.5;
       params.minConvexity = 1.0;
       
       // 参数初始化BLOB检测器，
       Ptr<SimpleBlobDetector> detector = SimpleBlobDetector::create(params);
       vector<KeyPoint> keypoints;
       
       // 检测得到特征与绘制特征
       detector->detect(src, keypoints, Mat());
       Mat kp_image;
       drawKeypoints(src, keypoints, kp_image, Scalar(255, 0, 0), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
       imshow("keypoints", kp_image);

## 示例二：原图 ##

![Center 5][]

参数不同过滤运行结果

![Center 6][]

![Center 7][]

![Center 8][]

蓝色与红色是检测结果表示

### 相关代码如下 ###

// 几何形状过滤
       // 声明根据面积过滤，设置最大与最小面积
       params.filterByArea = true;
       params.minArea = 1000.0f;
       params.maxArea = 12000.0f;
       
       // 声明根据圆度过滤，设置最大与最小圆度
       params.filterByCircularity = true;
       params.minCircularity = 0.7;
       params.maxCircularity = 0.8;
       
       // 凸包形状分析 - 过滤凹包
       params.filterByConvexity = true;
       params.minConvexity = 0.0;
       params.minConvexity = 0.5;
       
       // 参数初始化BLOB检测器，
       Ptr<SimpleBlobDetector> detector = SimpleBlobDetector::create(params);
       vector<KeyPoint> keypoints;
       
       // 检测得到特征与绘制特征
       detector->detect(src, keypoints, Mat());
       Mat kp_image;
       drawKeypoints(src, keypoints, kp_image, Scalar(0, 0, 255), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);
       imshow("keypoints", kp_image);

总结：

图像的BLOB特征提取与分析，除了使用SimpleBlobDetector类之外还可以通过findContours与几何矩Moments计算相结合来实现。后者更加考察对OpenCV相关API函数熟悉程度与图像处理相关知识的掌握程度。

原文资料：http://mp.weixin.qq.com/s/QhKUgDbqwxuQWW6aCf\_oxg

[Center]: /images/20220616/bbb17123b0524196816d4557d4e4cc01.png
[Center 1]: /images/20220616/18990cbd9b7e4a808b679f6322131690.png
[Center 2]: /images/20220616/39d7af5bfa70403c9b943b2855bd26ac.png
[Center 3]: /images/20220616/2f645045a53a45a4809b51f85d1ad1d0.png
[Center 4]: /images/20220616/6aeba0ddad3a4c0ea1084ccddd78e8b5.png
[Center 5]: /images/20220616/8397386605c542ed80139693ecd79c1b.png
[Center 6]: /images/20220616/6d145b4a047042c48757c8c109e408ee.png
[Center 7]: /images/20220616/19991f9bcc574b5e93856a91b6a76c96.png
[Center 8]: /images/20220616/8b9f1454466246c0854820f1744de76c.png