我们有时候需要求取某一个物体重心，这里一般将图像二值化，得出该物体的轮廓，然后根据灰度重心法，计算出每一个物体的中心。
步骤如下：
1）合适的阈值二值化
2）求取轮廓
3）计算重心
otsu算法求取最佳阈值
otsu法（最大类间方差法，有时也称之为大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分，otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此,使类间方差最大的分割意味着错分概率最小。
计算轮廓
opencv中函数findContours函数
findContours（二值化图像，轮廓，hierarchy，轮廓检索模式，轮廓近似办法，offset）
灰度重心法
利用灰度重心法计算中心，灰度重心法将区域内每一像素位置处的灰度值当做该点的“质量”，其求区域中心的公式为：
其中，f(u,v)是坐标为(u,v)的像素点的灰度值， 是目标区域集合， 是区域中心坐标，灰度重心法提取的是区域的能量中心。
//otsu算法实现函数
int Otsu(Mat &image)
{
int width = image.cols;
int height = image.rows;
int x = 0, y = 0;
int pixelCount[256];
float pixelPro[256];
int i, j, pixelSum = width * height, threshold = 0;
uchar* data = (uchar*)image.data;
//初始化
for (i = 0; i < 256; i++)
{
pixelCount[i] = 0;
pixelPro[i] = 0;
}
//统计灰度级中每个像素在整幅图像中的个数
for (i = y; i < height; i++)
{
for (j = x; j<width; j++)
{
pixelCount[data[i * image.step + j]]++;
}
}
//计算每个像素在整幅图像中的比例
for (i = 0; i < 256; i++)
{
pixelPro[i] = (float)(pixelCount[i]) / (float)(pixelSum);
}
//经典ostu算法,得到前景和背景的分割
//遍历灰度级[0,255],计算出方差最大的灰度值,为最佳阈值
float w0, w1, u0tmp, u1tmp, u0, u1, u, deltaTmp, deltaMax = 0;
for (i = 0; i < 256; i++)
{
w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;
for (j = 0; j < 256; j++)
{
if (j <= i) //背景部分
{
//以i为阈值分类，第一类总的概率
w0 += pixelPro[j];
u0tmp += j * pixelPro[j];
}
else //前景部分
{
//以i为阈值分类，第二类总的概率
w1 += pixelPro[j];
u1tmp += j * pixelPro[j];
}
}
u0 = u0tmp / w0; //第一类的平均灰度
u1 = u1tmp / w1; //第二类的平均灰度
u = u0tmp + u1tmp; //整幅图像的平均灰度
//计算类间方差
deltaTmp = w0 * (u0 - u)*(u0 - u) + w1 * (u1 - u)*(u1 - u);
//找出最大类间方差以及对应的阈值
if (deltaTmp > deltaMax)
{
deltaMax = deltaTmp;
threshold = i;
}
}
//返回最佳阈值;
return threshold;
}
int main()
{
Mat White=imread("white.tif");//读取图像
int threshold_white = otsu(White);//阈值计算，利用otsu
cout << "最佳阈值：" << threshold_white << endl;
Mat thresholded = Mat::zeros(White.size(), White.type());
threshold(White, thresholded, threshold_white, 255, CV_THRESH_BINARY);//二值化
vector<vector<Point>>contours;
vector<Vec4i>hierarchy;
findContours(thresholded, contours, hierarchy, CV_RETR_CCOMP, CV_CHAIN_APPROX_SIMPLE);//查找轮廓
int i = 0;
int count = 0;
Point pt[10];//假设有三个连通区域
Moments moment;//矩
vector<Point>Center;//创建一个向量保存重心坐标
for (; i >= 0; i = hierarchy[i][0])//读取每一个轮廓求取重心
{
Mat temp(contours.at(i));
Scalar color(0, 0, 255);
moment = moments(temp, false);
if (moment.m00 != 0)//除数不能为0
{
pt[i].x = cvRound(moment.m10 / moment.m00);//计算重心横坐标
pt[i].y = cvRound(moment.m01 / moment.m00);//计算重心纵坐标
}
Point p = Point(pt[i].x, pt[i].y);//重心坐标
circle(White, p, 1, color, 1, 8);//原图画出重心坐标
count++;//重心点数或者是连通区域数
Center.push_back(p);//将重心坐标保存到Center向量中
}
}
cout << "重心点个数：" << Center.size() << endl;
cout << "轮廓数量：" << contours.size() << endl;
imwrite("Center.tif", White);
}
原图：
二值化：
重心点：
补充知识：opencv 根据模板凸包求阈值化后的轮廓组合
图像处理中，要求特征与背景的对比度高，同时，合适的图像分割也是解决问题的关键。
博主以前的方法，默认为特征必然是最大的连通域，所以阈值化后，查找轮廓，直接提取面积最大的轮廓即可。
但可能会存在另一种情况，不论怎么阈值化和膨胀，想要的特征被分成好几块，也即断开了。此时，再加上一些不可预测的干扰和噪声，findcontours之后，会得到很多轮廓。
那么问题来了，我们需要的是哪个轮廓，或者是哪几个轮廓组合的区域？
本文的意义也在于此。
根据模板的凸包，求出图像中最相似的轮廓组合。
本方法，主要用到matchshapes函数，并基于这样一个前提：模板凸包的2/3部分，与模板凸包的相似度，大于模板凸包的1/2部分。
话不多说，上代码。
void getAlikeContours(std::vector<cv::Point> Inputlist, cv::Mat InputImage, std::vector<cv::Point> &Outputlist)
{
Mat image;
InputImage.copyTo(image);
vector<vector<Point> > contours;
findContours(image, contours, RETR_EXTERNAL, CHAIN_APPROX_NONE);//查找最外层轮廓
for (int idx = contours.size() - 1; idx >= 0; idx--)
{
for (int i = contours[idx].size() - 1; i >= 0; i--)
{
if (contours[idx][i].x == 1 || contours[idx][i].y == 1 || contours[idx][i].x == image.cols - 2 || contours[idx][i].y == image.rows - 2)
{
swap(contours[idx][i], contours[idx][contours[idx].size() - 1]);
contours[idx].pop_back();
}
}
//可能会存在空的轮廓，把他们删除
for (int idx = contours.size() - 1; idx >= 0; idx--)
{
if (contours[idx].size() == 0) contours.erase(contours.begin() + idx);
}
while (true)
{
if (contours.size() == 0) break;
if (contours.size() == 1)
{
vector<Point> finalList;
finalList.assign(contours[0].begin(), contours[0].end());
convexHull(Mat(finalList), Outputlist, true);
break;
}
int maxContourIdx = 0;
int maxContourPtNum = 0;
for (int index = contours.size() - 1; index >= 0; index--)
{
if (contours[index].size() > maxContourPtNum)
{
maxContourPtNum = contours[index].size();
maxContourIdx = index;
}
}
//第二大轮廓
int secondContourIdx = 0;
int secondContourPtNum = 0;
for (int index = contours.size() - 1; index >= 0; index--)
{
if (index == maxContourIdx) continue;
if (contours[index].size() > secondContourPtNum)
{
secondContourPtNum = contours[index].size();
secondContourIdx = index;
}
}
vector<Point> maxlist;
vector<Point> maxAndseclist;
vector<Point> maxlistHull;
vector<Point> maxAndseclistHull;
maxlist.insert(maxlist.end(), contours[maxContourIdx].begin(), contours[maxContourIdx].end());
maxAndseclist.insert(maxAndseclist.end(), contours[maxContourIdx].begin(), contours[maxContourIdx].end());
maxAndseclist.insert(maxAndseclist.end(), contours[secondContourIdx].begin(), contours[secondContourIdx].end());
convexHull(Mat(maxlist), maxlistHull, true);
convexHull(Mat(maxAndseclist), maxAndseclistHull, true);
double maxcontourScore = matchShapes(Inputlist, maxlistHull, CV_CONTOURS_MATCH_I1, 0);
double maxandseccontourScore = matchShapes(Inputlist, maxAndseclistHull, CV_CONTOURS_MATCH_I1, 0);
if (maxcontourScore>maxandseccontourScore)
{
contours[maxContourIdx].insert(contours[maxContourIdx].end(), contours[secondContourIdx].begin(), contours[secondContourIdx].end());
}
contours.erase(contours.begin() + secondContourIdx);
}
}
以上这篇Opencv求取连通区域重心实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
