opencv实现点到region最小距离,distance_pr

distance_pr的算子很快

使用opencv模仿实现一下

halcon 的 region使用rle编码,还有可能使用凸包优化,simd,二分查找,多线程计算,这里只实现基础的功能

复制代码
#include <opencv2/opencv.hpp>
#include <vector>
#include <limits>
#include <algorithm>

// 结构体表示RLE编码的区域点
struct RLEPoint {
    int y;
    int x_start;
    int x_end;
};

// 从二值图像生成RLE编码的区域表示
std::vector<RLEPoint> binaryImageToRLE(const cv::Mat& binImage) {
    std::vector<RLEPoint> rlePoints;
    CV_Assert(binImage.type() == CV_8UC1);
    
    for (int y = 0; y < binImage.rows; ++y) {
        const uchar* row = binImage.ptr<uchar>(y);
        bool inRun = false;
        int runStart = 0;
        
        for (int x = 0; x < binImage.cols; ++x) {
            if (row[x] > 0) { // 前景像素
                if (!inRun) {
                    inRun = true;
                    runStart = x;
                }
            } else {
                if (inRun) {
                    inRun = false;
                    rlePoints.push_back({y, runStart, x-1});
                }
            }
        }
        
        if (inRun) {
            rlePoints.push_back({y, runStart, binImage.cols-1});
        }
    }
    
    return rlePoints;
}

// 计算凸包点集
std::vector<cv::Point> computeConvexHull(const std::vector<RLEPoint>& rlePoints) {
    std::vector<cv::Point> allPoints;
    
    // 将RLE点转换为离散点
    for (const auto& rle : rlePoints) {
        for (int x = rle.x_start; x <= rle.x_end; ++x) {
            allPoints.emplace_back(x, rle.y);
        }
    }
    
    // 计算凸包
    std::vector<cv::Point> hull;
    cv::convexHull(allPoints, hull);
    return hull;
}

// 射线法判断点是否在凸包内
bool isPointInConvexHull(const cv::Point& p, const std::vector<cv::Point>& hull) {
    if (hull.size() < 3) return false;
    
    // 检查点是否在所有边的同一侧
    int prevSide = 0;
    for (size_t i = 0; i < hull.size(); ++i) {
        const cv::Point& p1 = hull[i];
        const cv::Point& p2 = hull[(i+1)%hull.size()];
        
        // 计算叉积
        int cross = (p2.x - p1.x) * (p.y - p1.y) - (p2.y - p1.y) * (p.x - p1.x);
        
        if (cross == 0) continue; // 在边上
        
        int currentSide = cross > 0 ? 1 : -1;
        if (prevSide == 0) {
            prevSide = currentSide;
        } else if (currentSide != prevSide) {
            return false;
        }
    }
    
    return true;
}

// 优化的distance_pr实现
double optimized_distance_pr(const cv::Mat& region, const cv::Point& queryPoint) {
    // 1. 转换为RLE编码表示
    auto rlePoints = binaryImageToRLE(region);
    if (rlePoints.empty()) return std::numeric_limits<double>::max();
    
    // 2. 计算凸包
    auto convexHull = computeConvexHull(rlePoints);
    
    // 3. 检查查询点是否在凸包内
    bool inside = isPointInConvexHull(queryPoint, convexHull);
    
    // 4. 计算最小距离
    double minDist = std::numeric_limits<double>::max();
    
    if (inside) {
        // 如果在凸包内,距离可能为0,需要检查精确包含关系
        for (const auto& rle : rlePoints) {
            if (rle.y == queryPoint.y) {
                if (queryPoint.x >= rle.x_start && queryPoint.x <= rle.x_end) {
                    return 0.0; // 点在区域内
                }
            }
        }
    }
    
    // 5. 使用凸包顶点快速估算搜索范围
    double searchRadius = std::numeric_limits<double>::max();
    for (const auto& p : convexHull) {
        double dx = p.x - queryPoint.x;
        double dy = p.y - queryPoint.y;
        double dist = std::sqrt(dx*dx + dy*dy);
        if (dist < searchRadius) {
            searchRadius = dist;
        }
    }
    
    // 6. 在RLE点集中搜索最小距离
    for (const auto& rle : rlePoints) {
        // 快速检查是否可能在搜索范围内
        if (std::abs(rle.y - queryPoint.y) > searchRadius) continue;
        
        // 计算到该行的最小距离
        int closestX = std::max(rle.x_start, std::min(rle.x_end, queryPoint.x));
        double dx = closestX - queryPoint.x;
        double dy = rle.y - queryPoint.y;
        double distance = std::sqrt(dx*dx + dy*dy);
        
        if (distance < minDist) {
            minDist = distance;
            // 更新搜索半径
            if (distance < searchRadius) {
                searchRadius = distance;
            }
        }
    }
    
    return minDist;
}
相关推荐
点云SLAM12 分钟前
Eigen 中矩阵的拼接(Concatenation)与 分块(Block Access)操作使用详解和示例演示
人工智能·线性代数·算法·矩阵·eigen数学工具库·矩阵分块操作·矩阵拼接操作
木枷1 小时前
NAS-Bench-101: Towards Reproducible Neural Architecture Search
人工智能·物联网
BAOYUCompany2 小时前
暴雨服务器更懂人工智能+
运维·服务器·人工智能
飞哥数智坊2 小时前
Coze实战第17讲:工资条自动拆分+一对一邮件发送
人工智能·coze
cwn_2 小时前
自然语言处理NLP (1)
人工智能·深度学习·机器学习·自然语言处理
点云SLAM2 小时前
PyTorch中flatten()函数详解以及与view()和 reshape()的对比和实战代码示例
人工智能·pytorch·python·计算机视觉·3d深度学习·张量flatten操作·张量数据结构
智海观潮2 小时前
Unity Catalog与Apache Iceberg如何重塑Data+AI时代的企业数据架构
大数据·人工智能·ai·iceberg·catalog
爱分享的飘哥2 小时前
第三篇:VAE架构详解与PyTorch实现:从零构建AI的“视觉压缩引擎”
人工智能·pytorch·python·aigc·教程·生成模型·代码实战
柏峰电子3 小时前
市政道路积水监测系统:守护城市雨天出行安全的 “智慧防线”
大数据·人工智能·安全
蓑雨春归3 小时前
自主智能Agent如何重塑工作流自动化:技术、经济与未来展望
人工智能·chatgpt·自动化