OpenCV-差分法实现绿叶识别（图像差分+颜色通道）

Posted 2021-12-19 翟天保Steven

作者：翟天保Steven
版权声明：著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处

实现原理

       物体识别是图像处理学在现实生活中较多的应用之一，目前最为流行的就是运用AI、机器学习等技术结合图像处理学，大量训练数据集，以实现智能且精确的识别。说到人工智能，很多人可能觉得它非常深奥和复杂，其实说白了它最底层的识别逻辑还是基于普通的图像分析，像特征提取、轮廓分析、比对分析等等，再在庞大的数据集中按照相似程度，分析出一个最可能的结果。

       本文提供了一种相对简单的思路来实现绿叶识别，适合初学图像处理的新人研究参考。该方法为差分法：首先对图像进行高斯滤波处理预处理，平滑图像数据；其次，将图像颜色通道按RGB拆分，因为识别物为绿叶，其最明显的特征就是颜色；差分法，将绿色通道减去蓝色通道，之所以选择这两个通道，是因为蓝色通道和绿叶的关系较远，而红色搭配绿色可是黄色哦，绿叶中存在黄色特征信息可是再正常不过了；之后，对差分图进行OTSU阈值处理，得到掩膜感兴趣ROI区域；再后，就是对区域进行闭运算和孔洞闭合处理，保持区域完整性；最后，根据掩膜提取绿叶，完成。

功能函数代码

1）识别绿叶函数。

// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)

	CV_Assert(input.channels() == 3);
	Mat temp, result, mask, hole;
	int row = input.rows;
	int col = input.cols;

	// 高斯滤波
	GaussianBlur(input, temp, Size(5, 5), 0);

	// 通道拆分
	vector<cv::Mat> c;
	split(temp, c);

	// 绿通道-蓝通道，提取绿色区域
	Mat diff = c[1] - c[0];
	threshold(diff, mask, 0, 255, THRESH_OTSU);

	// 闭运算封口
	cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
	cv::morphologyEx(mask, mask, MORPH_CLOSE, element);

	// 孔洞闭合
	hole = 255 - mask;
	Clear_MicroConnected_Areas(hole, hole, row*col / 300);
	mask = 255 - hole;
	Clear_MicroConnected_Areas(mask, mask, row*col / 300);

	// 识别区域标记
	result = input.clone();
	result.setTo(Scalar(0, 0, 0), mask == 0);
	return result;

2）清除微小面积连通区函数，用于孔洞闭合。具体介绍见：

OpenCV-清除小面积连通域_翟天保的博客-CSDN博客

/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)

	// 备份复制
	dst = src.clone();
	std::vector<std::vector<cv::Point> > contours;  // 创建轮廓容器
	std::vector<cv::Vec4i> 	hierarchy;

	// 寻找轮廓的函数
	// 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓
	// 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内
	cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());

	if (!contours.empty() && !hierarchy.empty())
	
		std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();
		// 遍历所有轮廓
		while (itc != contours.end())
		
			// 定位当前轮廓所在位置
			cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
			// contourArea函数计算连通区面积
			double area = contourArea(*itc);
			// 若面积小于设置的阈值
			if (area < min_area)
			
				// 遍历轮廓所在位置所有像素点
				for (int i = rect.y; i < rect.y + rect.height; i++)
				
					uchar *output_data = dst.ptr<uchar>(i);
					for (int j = rect.x; j < rect.x + rect.width; j++)
					
						// 将连通区的值置0
						if (output_data[j] == 255)
						
							output_data[j] = 0;
						
					
				
			
			itc++;
		
	

C++测试代码

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area);
Mat IdentifyLeaves(cv::Mat input);

int main()

	Mat src = imread("test1.png");
	Mat result = IdentifyLeaves(src);

	imshow("src", src);
	imshow("result", result);
	waitKey(0);

	return 0;


/**
* @brief  Clear_MicroConnected_Areas         清除微小面积连通区函数
* @param  src                                输入图像矩阵
* @param  dst                                输出结果
* @return min_area                           设定的最小面积清除阈值
*/
void Clear_MicroConnected_Areas(cv::Mat src, cv::Mat &dst, double min_area)

	// 备份复制
	dst = src.clone();
	std::vector<std::vector<cv::Point> > contours;  // 创建轮廓容器
	std::vector<cv::Vec4i> 	hierarchy;

	// 寻找轮廓的函数
	// 第四个参数CV_RETR_EXTERNAL，表示寻找最外围轮廓
	// 第五个参数CV_CHAIN_APPROX_NONE，表示保存物体边界上所有连续的轮廓点到contours向量内
	cv::findContours(src, contours, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_NONE, cv::Point());

	if (!contours.empty() && !hierarchy.empty())
	
		std::vector<std::vector<cv::Point> >::const_iterator itc = contours.begin();
		// 遍历所有轮廓
		while (itc != contours.end())
		
			// 定位当前轮廓所在位置
			cv::Rect rect = cv::boundingRect(cv::Mat(*itc));
			// contourArea函数计算连通区面积
			double area = contourArea(*itc);
			// 若面积小于设置的阈值
			if (area < min_area)
			
				// 遍历轮廓所在位置所有像素点
				for (int i = rect.y; i < rect.y + rect.height; i++)
				
					uchar *output_data = dst.ptr<uchar>(i);
					for (int j = rect.x; j < rect.x + rect.width; j++)
					
						// 将连通区的值置0
						if (output_data[j] == 255)
						
							output_data[j] = 0;
						
					
				
			
			itc++;
		
	


// 识别绿叶
Mat IdentifyLeaves(cv::Mat input)

	CV_Assert(input.channels() == 3);
	Mat temp, result, mask, hole;
	int row = input.rows;
	int col = input.cols;

	// 高斯滤波
	GaussianBlur(input, temp, Size(5, 5), 0);

	// 通道拆分
	vector<cv::Mat> c;
	split(temp, c);

	// 绿通道-蓝通道，提取绿色区域
	Mat diff = c[1] - c[0];
	threshold(diff, mask, 0, 255, THRESH_OTSU);

	// 闭运算封口
	cv::Mat element = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
	cv::morphologyEx(mask, mask, MORPH_CLOSE, element);

	// 孔洞闭合
	hole = 255 - mask;
	Clear_MicroConnected_Areas(hole, hole, row*col / 300);
	mask = 255 - hole;
	Clear_MicroConnected_Areas(mask, mask, row*col / 300);

	// 识别区域标记
	result = input.clone();
	result.setTo(Scalar(0, 0, 0), mask == 0);
	return result;

测试效果

图1 原图1

图2 效果图1

图3 原图2

图4 效果图2

图5 原图3

图6 效果图3

       本文只是提供了一种简单的识别思路，不可能满足所有的场景。举几个例子，如图6所示，因为孔洞闭合的缘故，导致绿叶间的间隙也被涵盖了；又或者，当所识别的绿叶没那么绿，有点偏暗时，蓝色通道的比例自然也提高了，此时用差分法效果就不会那么好了。

       总而言之，不同的场景和需求还是需要结合实际进行算法的设计，天下没有一种算法是可以解决一切问题的，即便是人工智能也不可能，特殊问题特殊对待，加油！

       如果函数有什么可以改进完善的地方，非常欢迎大家指出，一同进步何乐而不为呢~

       如果文章帮助到你了，可以点个赞让我知道，我会很快乐~加油！