例子。

代碼：

＃include ＜o(jì)pencv2／imgcodecs．hpp＞

＃include ＜o(jì)pencv2／highgui．hpp＞

＃include ＜o(jì)pencv2／imgproc．hpp＞

＃include ＜o(jì)pencv2／objdetect．hpp＞

＃include ＜iostream＞

using namespace cv；

using namespace std；

string PATH ＝ ＂funk．jpg＂； ／／Image Path

int AREA＿FILTER ＝ 1000；

Mat imgOrg， imgProc， imgWarp；

vector＜Point＞ initialPoints， docPoints；

int w ＝ 420， h ＝ 596；

Mat preProcessing（Mat img）

｛

   cvtColor（img， imgProc， COLOR＿BGR2GRAY）； ／／ to gray scale

   GaussianBlur（imgProc， imgProc， Size（3，3）， 3， 0）； ／／ blurring for better canny performance

   Canny（imgProc， imgProc， 25， 75）； ／／ edge detection

   Mat kernel ＝ getStructuringElement（MORPH＿RECT， Size（3， 3））；

   dilate（imgProc， imgProc， kernel）；

   return imgProc；

｝

vector＜Point＞ getContours（Mat imgDil）｛

   ／／detects the biggest rectangle in image

   vector＜vector＜Point＞＞ contours； ／／vectors example： ｛｛Point（20，30），Point（50，60）｝，｛｝，｛｝｝

   vector＜Vec4i＞ hierarchy；

   findContours（imgDil，contours，hierarchy，RETR＿EXTERNAL，CHAIN＿APPROX＿SIMPLE）； ／／finding contours

   vector＜vector＜Point＞＞ conPoly（contours．size（））；

   vector＜Rect＞ boundRect（contours．size（））；

   vector＜Point＞ biggest；

   int maxArea＝0；

   for （int i＝0；i＜contours．size（）；i＋＋）｛

       int area ＝ contourArea（contours［i］）；

       string objectType；

       if（area＞AREA＿FILTER）｛ ／／filter small rectangles

           float peri ＝ arcLength（contours［i］，true）；

           approxPolyDP（contours［i］，conPoly［i］，0．02＊peri，true）；

           if（area＞maxArea ＆＆ conPoly［i］．size（）＝＝4）｛ ／／find biggest （4 for rectangle）

               maxArea ＝ area；

               biggest ＝ ｛conPoly［i］［0］，conPoly［i］［1］，conPoly［i］［2］，conPoly［i］［3］｝；

           ｝

       ｝

   ｝

   return biggest；

｝

void drawPoints（vector＜Point＞ points， Scalar color）｛

   for（int i＝0；i＜points．size（）；i＋＋）

   ｛

       circle（imgOrg，points［i］， 5，color，F(xiàn)ILLED）；

       putText（imgOrg， to＿string（i），points［i］，F(xiàn)ONT＿HERSHEY＿PLAIN，4，color，4）；

   ｝

｝

vector＜Point＞ reorder（vector＜Point＞ points ）｛

   vector＜Point＞ newPoints；

   vector＜int＞ sumPoints， subPoints；

   ／／get corners

   for（int i ＝ 0；i＜4；i＋＋）｛

       sumPoints．push＿back（points［i］．x ＋ points［i］．y）；

       subPoints．push＿back（points［i］．x － points［i］．y）；

   ｝

   newPoints．push＿back（points［min＿element（sumPoints．begin（），sumPoints．end（）） － sumPoints．begin（）］）；

   newPoints．push＿back（points［max＿element（subPoints．begin（），subPoints．end（）） － subPoints．begin（）］）；

   newPoints．push＿back（points［min＿element（subPoints．begin（），subPoints．end（）） － subPoints．begin（）］）；

   newPoints．push＿back（points［max＿element（sumPoints．begin（），sumPoints．end（）） － sumPoints．begin（）］）；

   return newPoints；

｝

Mat getWarp（Mat img， vector＜Point＞ points， float w， float h）

｛

   Point2f src［4］ ＝ ｛points［0］，points［1］，points［2］，points［3］｝；

   Point2f dst［4］ ＝ ｛｛0．0f，0．0f｝，｛w，0．0f｝，｛0．0f，h｝，｛w，h｝｝；

   Mat matrix ＝ getPerspectiveTransform（src，dst）；

   warpPerspective（img， imgWarp， matrix， Point（w， h））；

   return imgWarp；

｝

void main（） ｛

   ／／sample

   imgOrg ＝ imread（PATH）；

   resize（imgOrg，imgOrg，Size（），0．5，0．5）； ／／ reduce the size of the photo in half

   ／／preprocessing

   imgProc ＝ preProcessing（imgOrg）；

   ／／get contours

   initialPoints ＝ getContours（imgProc）；

   ／／drawPoints（initialPoints，Scalar（0，0，255））；

   docPoints ＝ reorder（initialPoints）；

   ／／drawPoints（docPoints，Scalar（0，255，0））；

   ／／warp

   imgWarp ＝ getWarp（imgOrg， docPoints， w， h）；

   imshow（＂Image imgWarp＂，imgWarp）；

   waitKey（0）；

｝

讓我們分解代碼；

首先我們讀取圖像文件。然后我們（可選地）減小圖像的大小。

string PATH ＝ ＂funk．jpg＂； ／／Image Path

imgOrg ＝ imread（PATH）；    

resize（imgOrg，imgOrg，Size（），0．5，0．5）；

為了從操作中獲得更好的結(jié)果，我們首先需要對(duì)圖像進(jìn)行一些預(yù)處理和轉(zhuǎn)換。我在一個(gè)稱為預(yù)處理的方法中收集了所有這些過(guò)程。

預(yù)處理功能

在使用 opencv 時(shí)，我們經(jīng)常將圖像轉(zhuǎn)換為灰度。原因是：

· 它減小了尺寸。我們獲得了單個(gè)通道，而不是 RGB 的三個(gè)通道。

· 我們得到更低的復(fù)雜性。RGB：10x10x3 像素 ＝ 300 個(gè)數(shù)據(jù)；灰度：我們只有10x10x1 ＝ 100 個(gè)輸入。

· 許多 Opencv 方法只能在灰度下工作。因此，有必要提前進(jìn)行轉(zhuǎn)換。

cvtColor（img， imgProc， COLOR＿BGR2GRAY）；

我們將使用 Canny Edge Detector 來(lái)檢測(cè)角點(diǎn)。它在圖像模糊的情況下獲得了更好的效果。這個(gè)過(guò)程稱為平滑。邊緣檢測(cè)器內(nèi)核對(duì)噪聲非常敏感。因此，始終有必要應(yīng)用平滑。

Size（3，3）：高斯核的大小。

GaussianBlur（imgProc， imgProc， Size（3，3）， 3， 0）；

Canny 函數(shù)從圖像中提取邊緣。25 和 75 值是保留在該過(guò)程中提取的邊緣的閾值。

Canny（imgProc， imgProc， 25， 75）；

為形態(tài)學(xué)操作創(chuàng)建一個(gè)矩形內(nèi)核。

Mat kernel ＝ getStructuringElement（MORPH＿RECT， Size（3， 3））；

我們將使用膨脹作為形態(tài)學(xué)操作。膨脹增加了對(duì)象的面積，它增加了圖像中的白色區(qū)域。

dilate（imgProc， imgProc， kernel）；

現(xiàn)在讓我們獲取對(duì)象的輪廓；

initialPoints ＝ getContours（imgProc）；

在getContour方法中，我們檢測(cè)將扭曲其透視圖并提取其輪廓的對(duì)象。

獲取輪廓

findContours方法將返回我們的輪廓點(diǎn)。我們需要保留所有找到的點(diǎn)嗎？

如果我們傳遞 CHAIN＿APPROX＿NONE 參數(shù)，那么所有的點(diǎn)都會(huì)被保留。但是，我們可以通過(guò)消除冗余點(diǎn)來(lái)獲得存儲(chǔ)空間。為此，我們也可以傳遞 CHAIN＿APPROX＿SIMPLE。

為了獲得外部輪廓，我們通過(guò)了 RETR＿EXTERNAL

findContours（imgDil，contours，hierarchy，RETR＿EXTERNAL，CHAIN＿APPROX＿SIMPLE）； ／／finding contours

然后，在 for 循環(huán)中，我們?nèi)コ�噪聲并獲取對(duì)象。

我們計(jì)算每個(gè)輪廓的面積。面積必須大于過(guò)濾常數(shù)；

int area ＝ contourArea（contours［i］）；

．．．

if（area＞AREA＿FILTER）｛ ／／filter small rectangles

我們將在對(duì)象周圍找到邊界框。true表示對(duì)象已關(guān)閉。

float peri ＝ arcLength（contours［i］，true）；

我們將找到矩形。

approxPolyDP（contours［i］，conPoly［i］，0．02＊peri，true）；            if（area＞maxArea ＆＆ conPoly［i］．size（）＝＝4）｛ ／／find biggest （4 for rectangle）                maxArea ＝ area；                biggest ＝ ｛conPoly［i］［0］，conPoly［i］［1］，conPoly［i］［2］，conPoly［i］［3］｝；            ｝

我們得到對(duì)象的點(diǎn)；

docPoints ＝ reorder（initialPoints）；

扭曲：

imgWarp ＝ getWarp（imgOrg， docPoints， w， h）；

參考

       原文標(biāo)題 : 在 C++ 中使用 OpenCV 對(duì)圖像中的對(duì)象進(jìn)行扭曲透視