[OpenCV实战]9 使用OpenCV寻找平面图形的质心

目录

​​1 名词解释​​

​​2 在OpenCV中查找Blob质心的步骤​​

​​3 图像多个blob下的质心获取​​

​​4 参考​​

在中学，我们学习了几何的中各种平面图形。找到标准平面图形的中心(几何中心)比较容易，如圆形，方形，三角形，椭圆形等。中心是几何名词，质心是物理名词。质心是针对实物体而言的，而几何中心是针对抽象几何体而言的，对于密度均匀标准形状的物体，质心和几何中心重合。

但是当要找到任意形状的质心时，就不那么容易了。

在处理图像时，很多时候需要找到质心。在这篇文章中，我们将首先讨论如何找到任意形状blob的质心，然后我们将转向多个blob的情况。

工程代码：

​​https://github.com/luohenyueji/OpenCV-Practical-Exercise​​

1 名词解释

（1）blob

blob在机器视觉中是指图像中的具有相似颜色、纹理等特征所组成的一块连通区域。。在这篇文章中，我们的目标是在Python和C ++中使用OpenCV找到blob的中心。

（2）质心

一个平面图形的质心是平面图形所有点的算术平均值（即平均值）。假设一个平面图形由n个点xi组成，那么质心由下式给出

在图像处理和计算机视觉领域中，每个平面图形由像素点构成，并且质心坐标为构成平面图形的所有像素点坐标的加权平均。

（3）图像矩

在OpenCV，我们用blob来称呼平面图形。我们可以在OpenCV中使用图像矩找到blob的中心。图像矩是图像像素值的加权平均值，借助它我们可以找到图像的一些特定属性，如半径，面积，质心等。为了找到图像的质心，我们通常将其二值化然后找到它的质心。质心由下式给出： -

Cx是质心的x坐标，Cy是质心的y坐标。M表示图像几何矩。注意M00可能等于0

其中图像矩计算如下：

2 在OpenCV中查找Blob质心的步骤

要找到blob的质心，我们将执行以下步骤： -

1.将图像转换为灰度图。

2.对图像执行二值化。

3.计算图像矩后找到图像的中心。

单个blob的质心寻找。pch为预编译文件

C++代码：

#include "pch.h"
#include <opencv2/opencv.hpp>
#include <iostream>
#include <stdio.h>
#include <stdlib.h>

using namespace cv;
using namespace std;


int main()
{
  String img_path = "./image/circle.png";
  Mat src, gray, thr;
  
  src = imread(img_path);

  // convert image to grayscale 获取灰度图
  cvtColor(src, gray, COLOR_BGR2GRAY);

  // convert grayscale to binary image 二值化
  threshold(gray, thr, 0, 255, THRESH_OTSU);

  // find moments of the image 提取二值图像矩，true表示图像二值化了
  Moments m = moments(thr, true);
  Point p(m.m10 / m.m00, m.m01 / m.m00);

  // coordinates of centroid 质心坐标
  cout << Mat(p) << endl;

  // show the image with a point mark at the centroid 画出质心
  circle(src, p, 5, Scalar(128, 0, 0), -1);
  imshow("show", src);
  waitKey(0);
  return 0;
}

python代码：

#coding=utf-8
import cv2
import numpy as np


# read image through command line 
img = cv2.imread('./image/circle.png')

# convert image to grayscale image
gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
# convert the grayscale image to binary image
ret,thresh = cv2.threshold(gray_image,127,255,0)
 
# calculate moments of binary image
M = cv2.moments(thresh)
 
# calculate x,y coordinate of center
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
 
# put text and highlight the center
cv2.circle(img, (cX, cY), 5, (255, 255, 255), -1)
cv2.putText(img, "centroid", (cX - 25, cY - 25),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
 
# display the image
cv2.imshow("Image", img)
cv2.waitKey(0)

 结果如下所示：

3 图像多个blob下的质心获取

找到一个blob的质心非常容易，但是如果Image中有多个blob，我们将不得不使用findContours来查找图像中的轮廓数量并找到每个轮廓的中心。然后再计算几何矩。

C++代码：

#include "pch.h"
#include <opencv2/opencv.hpp>
#include <iostream>
#include <stdio.h>
#include <stdlib.h>

using namespace cv;
using namespace std;

RNG rng(12345);

void find_moments(Mat src);

int main()
{
  String img_path = "./image/multiple.png";
  /// Load source image, convert it to gray
  Mat src, gray;
  src = imread(img_path);

  cvtColor(src, gray, COLOR_BGR2GRAY);

  //显示原图
  namedWindow("Source", WINDOW_AUTOSIZE);
  imshow("Source", src);

  // call function to find_moments 寻质心函数
  find_moments(gray);

  waitKey(0);
  return(0);
}

void find_moments(Mat gray)
{
  Mat canny_output;
  //各个轮廓的点集合
  vector<vector<Point> > contours;
  //轮廓输出结果向量
  vector<Vec4i> hierarchy;

  /// Detect edges using canny 边缘算子提取轮廓
  Canny(gray, canny_output, 50, 150, 3);
  // Find contours 寻找轮廓 RETR_TREE表示提取所有轮廓
  findContours(canny_output, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));

  /// Get the moments 图像矩
  vector<Moments> mu(contours.size());
  //求取每个轮廓的矩
  for (int i = 0; i < contours.size(); i++)
  {
    mu[i] = moments(contours[i], false);
  }

  ///  Get the centroid of figures. 轮廓质点
  vector<Point2f> mc(contours.size());
  for (int i = 0; i < contours.size(); i++)
  {
    mc[i] = Point2f(mu[i].m10 / mu[i].m00, mu[i].m01 / mu[i].m00);
  }

  /// Draw contours
  //画轮廓
  Mat drawing(canny_output.size(), CV_8UC3, Scalar(255, 255, 255));

  for (int i = 0; i < contours.size(); i++)
  {
    Scalar color = Scalar(167, 151, 0);
    //画轮廓
    drawContours(drawing, contours, i, color, 2, 8, hierarchy, 0, Point());
    //画质心
    circle(drawing, mc[i], 4, color, -1, 7, 0);
  }

  /// Show the resultant image
  namedWindow("Contours", WINDOW_AUTOSIZE);
  imshow("Contours", drawing);
  waitKey(0);
}

python代码：

#coding=utf-8
import cv2
import numpy as np


img = cv2.imread('./image/multiple.png')

# convert the image to grayscale
gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# convert the grayscale image to binary image
ret,thresh = cv2.threshold(gray_image,127,255,0)

# find contour in the binary image
contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# find contour in the binary image(opencv4)
#binary, contours, opt  = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
for c in contours:
    # calculate moments for each contour
    M = cv2.moments(c)
    cX = int(M["m10"] / M["m00"])
    cY = int(M["m01"] / M["m00"])
    
    
    # calculate x,y coordinate of center
    cv2.circle(img, (cX, cY), 5, (255, 255, 255), -1)
    cv2.putText(img, "centroid", (cX - 25, cY - 25),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)


# 3.4.1 im2, contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
# 3.2.0 im2, contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)   

# display the image
cv2.imshow("Image", img)
cv2.waitKey(0)

 结果：

4 参考

​​https://www.learnopencv.com/find-center-of-blob-centroid-using-opencv-cpp-python/​​