您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
这篇文章主要介绍了怎么用C++ OpenCV实现文档矫正功能的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇怎么用C++ OpenCV实现文档矫正功能文章都会有所收获，下面我们一起来看看吧。
将一个斜着拍摄的文档矫正成正的，如图所示：
1.读取原始图像，若图像太大可以先进行缩放处理，并获取原始图像的宽和高
2.对图像进行预处理得到边缘，依次进行灰度处理、高斯模糊、边缘检测、膨胀、腐蚀。
3.找到最大的轮廓，并提取角点
进行降噪处理：检测轮廓面积，只保留大于阈值面积的轮廓
计算每个轮廓的周长，使用DP算法计算出轮廓点的个数，规则为周长*0.02
找到图像中面积最大的，且角点为4的轮廓
4.将找到的四个角点排列成一个固定的顺序，排列后的顺序为：左上角-右上角-左下角-右下角
将每个点的xy坐标值相加(x+y)，左上角的点的坐标和应该是最小的，右下角的点的坐标和应该是最大的
将每个点的xy坐标值相减(x-y)，左下角的点的坐标差应该是最小的，右上角的点的坐标差应该是最大的
重新排列四个角点
5.进行透视变换
根据变换前及变换后的四个角点，创建变换矩阵
根据变换矩阵对图像进行透视变换
6.若透视变换后有一些毛边，按需要进行裁剪，裁剪后重新调整比例
创建一个矩形用来裁剪，并设定四周裁剪5像素
裁剪后重新调整图像宽高
7.显示变换后图像
代码中均有详细注释，请仔细阅读
#include <iostream>
#include<opencv2/opencv.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace cv;
using namespace std;
// 一些定义
Mat image_origin, // 原始图像
image_gray, // 灰度处理后的图像
image_blur, // 高斯模糊处理后的图像
image_canny, // 边缘检测后的图像
image_dilate, // 膨胀后的图像
image_erode, // 腐蚀后的图像
image_preprocess, // 预处理后的图像
image_trans, // 透视变换后的图像
image_crop; // 裁剪后的图像
vector<Point> origin_points, // 重新排列前的角点
reorder_points; // 重新排列后的角点
int origin_width = 0, origin_height = 0;
/*
* 函数功能：预处理，依次进行灰度处理、高斯模糊、边缘检测、膨胀、腐蚀。
* 输入：图像，是否显示(0-不显示 1-显示每一步处理后的图像 2-只显示最终图像)
* */
Mat PreProcess(const Mat& image, int display)
{
// 灰度处理
cvtColor(image, image_gray, COLOR_BGR2GRAY);
// 高斯模糊
GaussianBlur(image_gray, image_blur, Size(3, 3), 3, 0);
// 边缘检测(边缘检测前对图像进行一次高斯模糊)
Canny(image_blur, image_canny, 50, 150);
// 膨胀和腐蚀(有时进行边缘检测的时候，没有被完全填充，或者无法正确检测，可以用膨胀和腐蚀)
// 创建一个用于膨胀和腐蚀的内核，后面的数字越大膨胀的越多(数字要用奇数)
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3));
// 膨胀
dilate(image_canny, image_dilate, kernel);
// 腐蚀
//erode(image_dilate, image_erode, kernel);
// 显示预处理效果
if(display == 1)
{
imshow("灰度处理后的图像", image_gray);
imshow("高斯模糊后的图像", image_blur);
imshow("边缘检测后的图像", image_canny);
imshow("膨胀后的图像", image_dilate);
// imshow("腐蚀后的图像", image_erode);
}
else if(display == 2)
{
imshow("预处理后的图像", image_dilate);
}
return image_dilate;
}
/*
* 函数功能：找到面积最大的轮廓
* 输入：源图像
* 输出：最大轮廓的四个角点数组
* */
vector<Point> GetMaxContour(const Mat& img_input)
{
/*
* contours是一个双重向量，向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。有多少轮廓，向量contours就有多少元素。
* 相当于创建了这样一个向量{{Point(),Point()},{},{}}
* */
vector<vector<Point>> contours;
/*
* hierarchy向量内每个元素保存了一个包含4个int整型的数组。向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。
* hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~ hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。
* 如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~ hierarchy[i][3]的相应位被设置为默认值-1。
* */
vector<Vec4i> hierarchy;
/*
* findContours找到轮廓
* 第一个参数：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；
* 第二个参数：contours （前文介绍过）
* 第三个参数：hierarchy（前文介绍过）
* 第四个参数：轮廓的检索模式
* 取值一：CV_RETR_EXTERNAL 只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略
* 取值二：CV_RETR_LIST 检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到
* 取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
* 取值四：CV_RETR_TREE 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
* 第五个参数：轮廓的近似方法
* 取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内
* 取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留
* 取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法
* 第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，且Point可以是负值。不填为默认不偏移Point()
* */
findContours(img_input, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
/*
* drawContours绘出轮廓
* 第一个参数：指明在哪幅图像上绘制轮廓。image为三通道才能显示轮廓
* 第二个参数：contours
* 第三个参数：指定绘制哪条轮廓，如果是-1，则绘制其中的所有轮廓
* 第四个参数：轮廓线颜色
* 第五个参数：轮廓线的宽度，如果是-1（FILLED），则为填充
* */
// // 不全输出，在下文只输出角点
// drawContours(image, contours, -1, Scalar(255, 0, 255), 2);
// 定义轮廓，大小与contours相同，但内层向量中只有角点（例如三角形就是3，四边形就是4，圆形可能七八个）
vector<vector<Point>> corners_contours(contours.size());
// 定义边界框，大小与contours相同
vector<Rect> bounding_box(contours.size());
vector<Point> biggest_contours;
double max_area = 0;
for (int i = 0; i < contours.size(); i++)
{
// 检测轮廓面积
double contour_area = contourArea(contours[i]);
// cout << area << endl;
// 假设图像中有噪声，需要将其过滤，只保留面积大于1000的轮廓
if (contour_area > 1000)
{
// 计算每个轮廓的周长
double contour_perimeter = arcLength(contours[i], true);
// 使用DP算法计算出轮廓点的个数，规则为周长*0.02
approxPolyDP(contours[i], corners_contours[i], 0.02 * contour_perimeter, true);
// 找到图像中面积最大的，且角点为4的轮廓
if (contour_area > max_area && corners_contours[i].size() == 4 ) {
//drawContours(image_origin, conPoly, i, Scalar(255, 0, 255), 5);
biggest_contours = { corners_contours[i][0],corners_contours[i][1] ,corners_contours[i][2] ,corners_contours[i][3] };
max_area = contour_area;
}
// // 只绘制角点之间的边框线，Debug用，取消注释可以看到检测出的所有边界框
// drawContours(image_origin, corners_contours, i, Scalar(255, 0, 255), 2);
// rectangle(image_origin, bounding_box[i].tl(), bounding_box[i].br(), Scalar(0, 255, 0), 5);
}
}
// 返回最大的轮廓
return biggest_contours;
}
/*
* 函数功能：绘制一些点
* 输入：点集，颜色
* */
void DrawPoints(vector<Point> points, const Scalar& color)
{
for (int i = 0; i < points.size(); i++)
{
circle(image_origin, points[i], 10, color, FILLED);
putText(image_origin, to_string(i), points[i], FONT_HERSHEY_PLAIN, 4, color, 4);
}
}
/*
* 函数功能：重新排列四个角点的顺序
* 最终顺序为： 0 1
* 2 3
* 数组中为左上角-右上角-左下角-右下角
* */
vector<Point> ReorderPoints(vector<Point> points)
{
vector<Point> newPoints;
vector<int> sumPoints, subPoints;
// OpenCV中左上顶点为(0,0)，右为x轴正向，下为y轴正向。
for (int i = 0; i < 4; i++)
{
// 将每个点的xy坐标值相加(x+y)，左上角的点的坐标和应该是最小的，右下角的点的坐标和应该是最大的
sumPoints.push_back(points[i].x + points[i].y);
// 将每个点的xy坐标值相减(x-y)，左下角的点的坐标差应该是最小的，右上角的点的坐标差应该是最大的
subPoints.push_back(points[i].x - points[i].y);
}
// 重新排列
newPoints.push_back(points[min_element(sumPoints.begin(), sumPoints.end()) - sumPoints.begin()]); // 0 和的最小值
newPoints.push_back(points[max_element(subPoints.begin(), subPoints.end()) - subPoints.begin()]); // 1 差的最大值
newPoints.push_back(points[min_element(subPoints.begin(), subPoints.end()) - subPoints.begin()]); // 2 差的最小值
newPoints.push_back(points[max_element(sumPoints.begin(), sumPoints.end()) - sumPoints.begin()]); // 3 和的最大值
return newPoints;
}
/*
* 函数功能：
* 输入：源图像，四个角点的集合(角点的顺序为，左上角-右上角-左下角-右下角)，输出的宽，输出的高
* 输出：透视变换后的图像
* */
Mat PerspectiveTrans(const Mat& img, vector<Point> points, float width, float height )
{
// 前面经过重新排列，四个角点的顺序为：左上角-右上角-左下角-右下角
Point2f src[4] = { points[0],points[1],points[2],points[3] };
// 变换后的四个角点
Point2f dst[4] = { {0.0f,0.0f},{width,0.0f},{0.0f,height},{width,height} };
// 创建变换矩阵
Mat matrix = getPerspectiveTransform(src, dst);
// 透视变换
warpPerspective(img, image_trans, matrix, Point(width, height));
return image_trans;
}
int main()
{
// 1.读取原始图像
string path = "res/image_origin.jpg";
image_origin = imread(path);
// // 若图像太大可以先进行缩放处理
// resize(image_origin, image_origin, Size(), 0.5, 0.5);
// 获取原始图像的宽和高
origin_width = image_origin.size().width;
origin_height = image_origin.size().height;
// 2.对图像进行预处理得到边缘，依次进行灰度处理、高斯模糊、边缘检测、膨胀、腐蚀。
image_preprocess = PreProcess(image_origin, 0);
// 3.找到最大的轮廓，并提取角点
origin_points = GetMaxContour(image_preprocess);
// DrawPoints(origin_points, Scalar(0, 0, 255)); // 红色
// 此时发现，角点的顺序不固定，为了后面进行透视变换时与代码中变换后点集的顺序相同，需要将其排列成一个固定的顺序，排列后的顺序为：左上角-右上角-左下角-右下角
reorder_points = ReorderPoints(origin_points);
// DrawPoints(reorder_points, Scalar(0, 255, 0)); //绿色
// 4.透视变换
image_trans = PerspectiveTrans(image_origin, reorder_points, origin_width, origin_height);
// 透视变换后有一些毛边，若需要可以进行裁剪
// 四周裁剪5像素
int cropVal= 5;
// 创建一个矩形用来裁剪
Rect roi(cropVal, cropVal, origin_width - (2 * cropVal), origin_height - (2 * cropVal));
image_crop = image_trans(roi);
// 裁剪后重新调整比例
resize(image_crop, image_crop, Size(origin_width, origin_height));
// 5.显示并输出变换后图像
imshow("源图像", image_origin);
imshow("最终图像", image_crop);
imwrite("res/image_output.jpg", image_crop);
waitKey(0);
}
关于“怎么用C++ OpenCV实现文档矫正功能”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“怎么用C++ OpenCV实现文档矫正功能”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注亿速云行业资讯频道。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。