OpenCV特征检测(1)检测图像中的线段的类LineSegmentDe()的使用

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

检测图像中线段的类.。

遵循在 285中描述的算法。

函数原型1

绘制两组线,一组用蓝色,一组用红色,并计算非重叠(不匹配)的像素。

cpp 复制代码
virtual int cv::LineSegmentDetector::compareSegments
(
	const Size & 	size,
	InputArray 	lines1,
	InputArray 	lines2,
	InputOutputArray 	image = noArray() 
)		

参数1

  • 参数size:找到 lines1 和 lines2 的图像的大小。
  • 参数lines1:需要绘制的第一组线段。它们以蓝色显示。
  • 参数lines2:第二组线段。它们以红色显示。
  • 参数image:可选的图像,在该图像上绘制线段。图像应该是彩色的(3通道),以便 lines1 和 lines2 能够以上述颜色绘制。

函数原型2

在一个输入图像中查找线条

cpp 复制代码
virtual void cv::LineSegmentDetector::detect	
(
	InputArray 	image,
	OutputArray 	lines,
	OutputArray 	width = noArray(),
	OutputArray 	prec = noArray(),
	OutputArray 	nfa = noArray() 
)		

参数2

  • 参数image:一个灰度(CV_8UC1类型)输入图像。如果只需要选择一个感兴趣区域(ROI),可以使用:lsd_ptr->detect(image(roi), lines, ...); 并且需要更新 lines 向量,加上偏移量 lines += Scalar(roi.x, roi.y, roi.x, roi.y);

  • 参数ilines:由 Vec4f 类型元素组成的向量,指定了一条线段的起始点和终点。其中 Vec4f 的格式为 (x1, y1, x2, y2),点1为起点,点2为终点。返回的线段是严格根据梯度方向排列的。

  • 参数iwidth:一个向量,包含了发现线段所在区域的宽度。例如,线段的宽度。

  • 参数iprec:一个向量,包含了发现线段的精确度。

  • 参数infa:一个包含在线段区域内误报数量的向量,精确到10%。数值越大,对数意义上检测得越好。

    • -1 对应于平均有10个误报;
    • 0 对应于平均有1个误报;
    • 1 对应于平均有0.1个误报; 这个向量仅当对象类型设置为 LSD_REFINE_ADV 时才会计算。

函数原型3

在给定的图像上绘制线段

cpp 复制代码
virtual void cv::LineSegmentDetector::drawSegments	
(
	InputOutputArray 	image,
	InputArray 	lines 
)	

参数3

  • 参数image:这指的是线条将要在其上绘制的图像。该图像应该大于或等于找到线条的图像的尺寸。
  • 参数lines:这是一个需要绘制的线条的向量(集合)。

代码示例

cpp 复制代码
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/line_descriptor/descriptor.hpp>
#include <opencv2/ximgproc.hpp>
#include <iostream>

int main(int argc, char** argv)
{
    // 加载图像
    cv::Mat img = cv::imread("/media/dingxin/data/study/OpenCV/sources/images/building.png",cv::IMREAD_GRAYSCALE);
    if (img.empty())
    {
        std::cout << "Error loading image." << std::endl;
        return -1;
    }
 // 创建用于绘制线段的新图像
    cv::Mat lsd_img = img.clone();

    // 创建 LineSegmentDetector
    cv::Ptr<cv::LineSegmentDetector> lsd = cv::createLineSegmentDetector();

    // 检测线段
    std::vector<cv::Vec4i> lineSegments;
    lsd->detect(img, lineSegments);

    // 遍历并绘制每个线段
    for (const auto& ls : lineSegments)
    {
        cv::Point pt1(ls[0], ls[1]);
        cv::Point pt2(ls[2], ls[3]);
        cv::line(lsd_img, pt1, pt2, cv::Scalar(0, 255, 0), 2); // 绘制绿色线条
    }

    // 显示结果图像
    cv::imshow("original image", img);
    cv::imshow("Line Segments", lsd_img);
    cv::waitKey(0);

    return 0;
}

运行结果

原始图:

画线段图:

相关推荐
宇若-凉凉6 分钟前
BERT 完整教程指南
人工智能·深度学习·bert
JD技术委员会40 分钟前
如何在跨部门沟通失误后进行协调与澄清
人工智能
PcVue China1 小时前
PcVue X 工控——工厂数字化转型与落地巡回研讨会圆满举行
人工智能·软件工程·scada·监控平台·工控网
StarPrayers.1 小时前
自蒸馏学习方法
人工智能·算法·学习方法
咚咚王者1 小时前
人工智能之编程进阶 Python高级:第十一章 过渡项目
开发语言·人工智能·python
深度学习lover2 小时前
<数据集>yolo航拍斑马线识别数据集<目标检测>
人工智能·深度学习·yolo·目标检测·计算机视觉·数据集·航拍斑马线识别
大力财经2 小时前
百度开启AI新纪元,让智能从成本变成超级生产力
人工智能·百度
雍凉明月夜2 小时前
Ⅰ人工智能学习的核心概念概述+线性回归(1)
人工智能·学习
Dyanic2 小时前
融合尺度感知注意力、多模态提示学习与融合适配器的RGBT跟踪
人工智能·深度学习·transformer
这张生成的图像能检测吗2 小时前
(论文速读)AIMV2:一种基于多模态自回归预训练的大规模视觉编码器方法
人工智能·计算机视觉·预训练·视觉语言模型