C#描述-计算机视觉OpenCV(7):MSER特征检测

C#描述-计算机视觉OpenCV(7):MSER特征检测

基本概念

前文C#描述-计算机视觉OpenCV(6):形态学描述了如何对图像的前后景特征形态进行检测与运算,本篇将分析基于形态的特征检测算法。MSER算法即最大稳定外部区域算法(Maximally Stable Extremal Regions),其基于分水岭的概念:对图像进行二值化,二值化阈值取[0, 255],这样二值化图像就经历一个从全黑到全白的过程(就像水位不断上升的俯瞰图)。在这个过程中,有些连通区域面积随阈值上升的变化很小,这种区域就叫MSER。。其核心思想在于通过不断改变图像的灰度阈值,寻找在不同阈值下保持稳定性的区域,这些区域往往对应着图像中的文本或其他重要信息。

我们还是以本图为例进行操作,在这个场景下,我们尝试把猫作为特征区域结果来测试。

操作实例

MSER 类的实例可以通过create 方法创建。我们在初始化时指定被检测区域的最小和最大尺寸,以便限制被检测特征的数量,调用方式如下::

MSER.Create(int delta, // 局部检测时使用的增量值,默认值5

int minArea, // 允许的最小面积,默认值60

int maxArea); // 允许的最大面积,默认值14400

然后我们通过DetectRegions来获得结果,结果会储存在一个点集容器和一个矩形容器:

csharp 复制代码
MSER s=MSER.Create(5,5000,14400);//创建MSER检测器
OpenCvSharp.Point[][] outPoint;//点集容器
Rect[] rect;//矩形容器
s.DetectRegions(img1, out outPoint, out rect);//检测方法调用

这时候我们可以看下点集容器里的内容:

csharp 复制代码
foreach(OpenCvSharp. Point[] pts in outPoint)
            {
                foreach(OpenCvSharp.Point p in pts)
                {
                    img1.Circle(p, 1, Scalar.Black);
                }
            }

然后我们展示矩形的特征区域:

csharp 复制代码
foreach (Rect r in rect)
            {              
                        img1.Rectangle(r, Scalar.White, 2);
            }

可以看到我们非常粗略的检测出了一些特征。

我们可以根据效果,对大小面积进行调整,来减少或者增加检测的敏感度。

效果优化

在上面的检测中,输出的第二项是一系列矩形,画出所有矩形就能表示检测的结果。但是这样

会画出许多矩形,使结果很不直观(区域之间还会互相包含,结果更加混乱)。对此,基本的优化方法为,对矩形的形态比例设置筛选要求,例如我们排除掉所有长宽比过大或者过小的长方形,来贴合所检测物(猫)大概的形态:

csharp 复制代码
foreach (Rect r in rect)
            {
                if ((double)r.Width / (double)r.Height <1.25&& (double)r.Width / (double)r.Height > 0.2)
                {  
                        img1.Rectangle(r, Scalar.White, 2);
                }
            }

效果图:

可以看到我们清楚的检测出了目标。

该算法还经常用于提取图片的文字区域,我们适当调小MSER创建的数值,我们取一个光线和前后景都较为复杂的图片来测试效果,

粗略的调整了下数值,可以看到基本对较为清晰的文字有了识别,如果继续减少局部增量值应该可以更为精确。

相关推荐
JNU freshman8 分钟前
计算机视觉速成 之 概述
人工智能·计算机视觉
说私域1 小时前
基于开源AI大模型AI智能名片S2B2C商城小程序源码的私域流量新生态构建
人工智能·开源
HollowKnightZ1 小时前
目标姿态估计综述:Deep Learning-Based Object Pose Estimation: A Comprehensive Survey
人工智能·深度学习
加油吧zkf1 小时前
Conda虚拟环境管理:从入门到精通的常用命令
图像处理·深度学习·计算机视觉·conda
算家计算2 小时前
“28项评测23项SOTA——GLM-4.1V-9B-Thinking本地部署教程:10B级视觉语言模型的性能天花板!
人工智能·开源
Codebee2 小时前
OneCode注解驱动:智能送货单系统的AI原生实现
人工智能·低代码
2401_878624792 小时前
pytorch 自动微分
人工智能·pytorch·python·机器学习
胖达不服输2 小时前
「日拱一码」021 机器学习——特征工程
人工智能·python·机器学习·特征工程
Rvelamen2 小时前
大模型安全风险与防护产品综述 —— 以 Otter LLM Guard 为例
人工智能