如何检测多条模式？答案

【问题标题】：How to detect a multiple-bar pattern?如何检测多条模式？
【发布时间】：2018-04-04 15:14:13
【问题描述】：

我想检测图像中的自定义“多条图案”。

图案看起来像这样，是一组平行的黑色条，宽度相同但高度不同，见下图：

此图案可能在图像上，也可能不在图像上，但如果是 - 我想知道它的位置。

注意：图案的颜色在任何情况下都是黑色。

注意：图案大小未知，可能很大也可能超小。

注意：图案条数为固定数。每次出现都相同（在本例中为 7）。

图像可能如下所示：

在执行代码搜索算法之后，这应该会发生：

任何帮助将不胜感激。提前一百万谢谢，Tempi。

注意：到目前为止我得到的代码（不工作）

Mat myImage; // this is the mat of the photo you can see above
Mat algorithmImage;
myImage.coptyTo(algorithmImage); 
cvtColor(algorithmImage, algorithmImage, CV_RGB2HSV);

double imgThreshold = 20;
cv::inRange(algorithmImage, cv::Scalar(0, 0, 0, 0), cv::Scalar(180, 255, 30, 0), 20);

Mat canny;
vector<vector<Point>> contours;
vector<Vec4i> hierarchy;

Canny( algorithmImage, canny, 3, 6, 3 );
findContours( canny, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE, Point(0, 0) );

for( int i = 0; i<contours.size(); i++ ) {
  // ??
}

bool isLineAlreadyFound(const Vec4i& _l1, const Vec4i& _l2) {
    Vec4i l1(_l1), l2(_l2);

    float length1 = sqrtf((l1[2] - l1[0])*(l1[2] - l1[0]) + (l1[3] - l1[1])*(l1[3] - l1[1]));
    float length2 = sqrtf((l2[2] - l2[0])*(l2[2] - l2[0]) + (l2[3] - l2[1])*(l2[3] - l2[1]));

    float product = (l1[2] - l1[0])*(l2[2] - l2[0]) + (l1[3] - l1[1])*(l2[3] - l2[1]);

    if (fabs(product / (length1 * length2)) < cos(CV_PI / 30))
        return false;

    float mx1 = (l1[0] + l1[2]) * 0.5f;
    float mx2 = (l2[0] + l2[2]) * 0.5f;

    float my1 = (l1[1] + l1[3]) * 0.5f;
    float my2 = (l2[1] + l2[3]) * 0.5f;
    float dist = sqrtf((mx1 - mx2)*(mx1 - mx2) + (my1 - my2)*(my1 - my2));

    if (dist > std::max(length1, length2) * 0.5f)
        return false;

    return true;
}

【问题讨论】：

任意大小和旋转使这成为一个难题。是否有一组特定的旋转，例如 45 度的倍数？
@stark：一点也不。当然，这不是 C++ 问题。在模式识别中，这是微不足道的。
微不足道？然而 3 个完全不同的答案。这些都没有建议如何识别结果模式的顶部或底部。

标签： c++ opencv image-processing template-matching

【解决方案1】：

这就是我将如何解决您的问题。

既然你的图案是全黑的，也许你可以从中受益并且只是做一个门槛。尝试一个非常低的阈值（如果它是一个完美的黑色，使用 1 作为阈值）。
经过上述步骤，使用 findContours 应该已经做好了检测形状。但是您需要一种方法来识别您的图案。由于您的模式可能会以不同的比例显示和/或方向，您将需要一个比例/方向不变描述符。一世这里的意思是一个形状描述符。你可以看看 https://en.wikipedia.org/wiki/Image_moment胡时刻。
这将仅适用于每个模式中的一个柱。你应该完成通过为您的模式设计一个特定的特征来进行搜索从每个条中提取的特征的帮助。

【讨论】：

【解决方案2】：

这里的窍门是你有 14 条平行边。这些是不可能错过的。如其他答案所述，隔离它们的阈值。紧接着，运行边缘检测器。这会将黑白边缘变成线条，而图像的其余部分可能会产生一些分散的像素。将其可视化以自己查看。

接下来，从 OpenCV 运行霍夫变换。这为您提供格式为 {offset, direction} 的行。即便是一些零散的背景像素碰巧排成一列，也不会形成14条方向一致的线。

您可以计算最大偏移差以找到条形图案的比例，并仔细检查相对偏移量以检查各个条形的宽度和间距。请记住，这 14 条线是边，因此您需要将它们配对。

此时您已经确定了条形图案的方向和比例。意识到您实际上并没有确定实际的条形位置可能有点令人惊讶。这个过程的原因是我们首先解决难题。我们现在回到边缘检测的输出，并将那里的所有边缘分为三类：平行边缘、两对平行边缘之间的圆形端盖（跟随轮廓）和随机背景像素。您可能需要 MORPH_CLOSE 操作来缩小轮廓中的间隙。

【讨论】：