使用CImg实现A4纸矫正

2019-04-14 21:02发布生成海报

站内文章 / 模拟电子

10270 0

class="markdown_views prism-atom-one-light">

图像分割

图像分割是一个聚类问题，将相似的点聚到一块。这里我采用了mean shift方法。主要分为三个部分：模点搜索，模点聚类（合并相似区域），合并小区域。

模点搜索

首先确定特征空间，这里选取了空间坐标x，y和 {MOD}彩空间r，g，b，在实际计算时，是将RGB转换到Lab空间。然后对图像中的每一个点，进行如下操作，对与它位置空间距离小于hr，颜 {MOD}空间距离小于hs的点求平均值，作为新的中心点。重复这个步骤直到中心点不再移动或者到达最大迭代次数。此时的中心点就作为起始点的聚类中心，将中心点的像素值赋予初始点。

do {
	PtPrev = PtCur;										// Set the original point and previous one
	PtSum = Point5D(0, 0, 0, 0, 0);						// Initial Sum vector
	NumPts = 0;											// Count number of points that satisfy the bandwidths
	for (int hx = Left; hx < Right; hx++) {
		for (int hy = Top; hy < Bottom; hy++) {
			// Set point in the spatial bandwidth
			Pt = Point5D(hx, hy, (float)Img(hx, hy, 0), (float)Img(hx, hy, 1), (float)Img(hx, hy, 2));
			Pt.PointLab();

			// Check it satisfied color bandwidth or not
			if (Pt.MSPoint5DColorDistance(PtCur) < hr) {
				PtSum.MSPoint5DAccum(Pt);				// Accumulate the point to Sum vector
				NumPts++;								// Count
			}
		}
	}
	PtSum.MSPoint5DScale(1.0 / NumPts);					// Scale Sum vector to average vector
	PtCur = PtSum;										// Get new origin point
	step++;												// One time end
// filter iteration to end
} while ((PtCur.MSPoint5DColorDistance(PtPrev) > MS_MEAN_SHIFT_TOL_COLOR) &&
(PtCur.MSPoint5DSpatialDistance(PtPrev) > MS_MEAN_SHIFT_TOL_SPATIAL) && (step < MS_MAX_NUM_CONVERGENCE_STEPS));

模点聚类

基本上就是区域生长，从某一点出发，如果和它附近的点8邻域）的颜 {MOD}值相似就合并，同时再从新合并的点出发继续合并下去，直到碰到不相似的点或者该点已经属于另一类了，此时，就退回来，直到退无可退（所有的8邻域搜索空间都已经搜索完毕）。

// Region Growing 8 Neighbours
vector<Point5D> NeighbourPoints;
NeighbourPoints.push_back(PtCur);
while (!NeighbourPoints.empty()) {
	Pt = NeighbourPoints.back();
	NeighbourPoints.pop_back();

	// Get 8 neighbours
	for (int k = 0; k < 8; k++) {
		int hx = Pt.x + dxdy[k][0];
		int hy = Pt.y + dxdy[k][1];
		if ((hx > 0) && (hy > 0) && (hx < ROWS) && (hy < COLS) && (Labels[hx][hy] < 0)) {
			Point5D P(hx, hy, (float)Img(hx, hy, 0), (float)Img(hx, hy, 1), (float)Img(hx, hy, 2));
			P.PointLab();

			// Check the color
			if (PtCur.MSPoint5DColorDistance(P) < hr) {
				// Satisfied the color bandwidth
				Labels[hx][hy] = label;				// Give the same label					
				NeighbourPoints.push_back(P);		// Push it into stack
				MemberModeCount[label]++;			// This region number plus one
				// Sum all color in same region
				Mode[label * 3 + 0] += P.l;
				Mode[label * 3 + 1] += P.a;
				Mode[label * 3 + 2] += P.b;
			}
		}
	}
}
MemberModeCount[label]++;							// Count the point itself
Mode[label * 3 + 0] /= MemberModeCount[label];		// Get average color
Mode[label * 3 + 1] /= MemberModeCount[label];
Mode[label * 3 + 2] /= MemberModeCount[label];

阶段效果：（右图对图像二值化）
在这里插入图片描述

A4纸矫正

获取角点

对每个像素，遍历它的8邻域，如果全为白 {MOD}，就将它变为黑 {MOD}，得到边缘图像。

	auto res = grayscaled;
	CImg_3x3(I, uchar);
	cimg_for3x3(grayscaled, x, y,0,0,I,uchar) {
		if (Ipp==255 &&Icp == 255 &&Inp == 255 &&Ipc == 255 &&Icc == 255 
			&&Inc == 255 &&Ipn == 255 &&Icn == 255 &&Inn == 255) {
			res(x, y) = 0;
		}
	}

利用之前的霍夫变换，可以求出边缘的直线方程，并得到交点坐标。
在这里插入图片描述

仿射变换

我们获得了角点的坐标，同时我们也知道它们对应矫正后矩形的四个顶点，利用仿射变换可以求出变换举证，然后我们根据结果图像的像素坐标利用插值获得原图对应像素值，并赋给结果图像就可以得到最终结果。
在这里插入图片描述

	Hough hough("result/edge/2.bmp");

	PerspectiveTransform temp;

	PerspectiveTransform H = temp.quadrilateralToQuadrilateral(0, 0, 779, 0, 0, 1051, 779, 1051, 
		hough.points[2].x, hough.points[2].y, hough.points[0].x, hough.points[0].y,
		hough.points[3].x, hough.points[3].y, hough.points[1].x, hough.points[1].y);

	/* Method 1: Projective Transforming */
	CImg<uchar> dest(780, 1052, 1, 3);
	cimg_forXY(dest, x, y)
	{
		double denominator = H.a13 * x + H.a23 * y + H.a33;
		double tx = (H.a11 * x + H.a21 * y + H.a31) / denominator;
		double ty = (H.a12 * x + H.a22 * y + H.a32) / denominator;
		//cout << tx << " " << ty << endl;
		cimg_forC(dest,c)
			dest(x, y, c) = src.linear_atXYZC(tx, ty,c);
	}

最终结果

与canny算子的比较

对于较为简单和明显的边缘，比如A4纸，图像分割能够很好的获取到边缘，并且非常明确，干扰很少。但是canny算子能够获取到图像比较细腻的边缘，并且对于噪声有很好的抑制，计算也更快。

代码地址

Github

参考博客

http://www.voidcn.com/article/p-ukgueaom-th.html
https://bbbbyang.github.io/2018/03/19/Mean-Shift-Segmentation/