|
第三十五章 image图像特征检测实验
在上一章节中，介绍了image模块中图像滤波方法给的使用，本章将继续介绍image模块中图像特征检测方法的使用。通过本章的学习，读者将学习到image模块中图像特征检测的使用。 本章分为如下几个小节： 35.1 image模块图像特征检测方法介绍 35.2 硬件设计 35.3 程序设计 35.4 运行验证
35.1 image模块图像特征检测方法介绍 image模块为Image对象提供了find_edges()方法，用于检测图像中的边缘特征，find_edges()方法如下所示： image.find_edges(edge_type, threshold=(100, 200)) find_edges()方法用于检测图像中的边缘特征，该方**将图像变为黑白，仅将边缘像素保留为白色，需要注意的是该方法仅支持灰度图像。 edge_type指的是边缘检测算法的选择，可以是image.EDGE_SIMPLE（简单的阈值高通滤波算法）或image.EDGE_CANNY（Canny边缘检测算法）。 threshold指的是一个包含一个低阈值和一个高阈值的二值元组，可以通过调整阈值来控制边缘质量，默认为(100, 200)。 find_edges()方**返回经过处理的Image对象。 find_edges()方法的使用示例如下所示： import image img = image.Image(size=(320, 240)) img.to_grayscale() img.find_edges(image.EDGE_SIMPLE, threshold=(100, 255)) image模块为Image对象提供了find_circles()方法，用于检测图像中的圆形特征，find_circles()方法如下所示： image.find_circles(roi, x_stride=2, y_stride=1, threshold=2000, x_margin=10, y_margin=10, r_margin=10, r_min=2, r_max, r_step=2) find_circles()方法用于检测图像中的圆形特征，该方法使用霍夫变换在图像中查找圆。 roi指的是对Image对象感兴趣的区域，若未指定，即为图像矩形。 x_stride和y_stride指的是霍夫变换时需要跳过的X和Y像素的数量，若已知被检测圆的半径较大，可以增加该参数。 threshold指的是霍夫变换阈值，只返回大于或等于阈值的圆。 x_margin、y_margin和r_margin指的是控制所检测的圆的合并，圆像素为x_margin、y_margin和r_margin的部分合并。 r_min和r_max指的是圆半径的阈值，只返回半径在阈值间的圆。 r_step指的是检测时的半径步进。 find_cricles()方**返回一个image.circle对象列表 find_circles()方法的使用示例如下所示： import image img = image.Image(size=(320, 240)) circles = img.find_circles((0, 0, img.width(), img.height()), x_stride=2, y_stride=2, threshold=3800, x_margin=50, y_margin=50, r_margin=50, r_min=60, r_max=80, r_step=5) for c in circles: img.draw_circle(c.x(), c.y(), c.r(), color=(255, 0, 0), thickness=2) image模块为Image对象提供了find_lines()方法，用于检测图像中的直线特征，find_lines()方法如下所示： image.find_lines(roi, x_stride=2, y_stride=1, threshold=1000, theta_margin=25, rho_margin=25) find_lines()方法用于检测图像中的直线特征，该方法使用霍夫变换在图像中查找直线。 roi指的是对Image对象感兴趣的区域，若未指定，即为图像矩形。 x_stride和y_stride指的是霍夫变换时需要跳过的X和Y像素的数量，若已知被检测直线较大，可以增加该参数。 threshold指的是霍夫变换阈值，只返回大于或等于阈值的直线。 theta_margin和rho_margin指的是所检测直线的合并，直线角度为theta_margin的部分和直线p值为rho_margin的部分合并。 find_lines()方**返回image.line对象列表。 find_lines()方法的使用示例如下所示： import image img = image.Image(size=(320, 240)) lines = img.find_lines((0, 0, img.width(), img.height()), x_stride=2, y_stride=1, threshold=1000, theta_margin=25, rho_margin=25) for l in lines: img.draw_line(l.line(), color=(255, 0, 0), thickness=2) image模块为Image对象提供了find_hog()方法，用于检测图像中的定向梯度特征，find_hog()方法如下所示： image.find_hog(roi, size=8) find_hog()方法用于用HoG（定向梯度直方图）线替换图像中的像素，需要注意的是该方法仅支持灰度图像。 roi指的是对Image对象感兴趣的区域，若未指定，即为图像矩形。 size指的是HoG的尺寸。 find_hog()方**返回经过处理的Image对象。 find_hog()方法的使用示例如下所示： import image img = image.Image(size=(320, 240)) img.find_hog((0, 0, img.width(), img.height()), size=8)
35.2 硬件设计 35.2.1 例程功能 1. 获取摄像头输出的图像，并使用image模块对图像进行一些特征检测后，将图像显示在LCD上。 2. 当KEY0按键被按下后，切换image模块对图像的特征检测方式。
35.2.2 硬件资源 本章实验内容，主要讲解image模块的使用，无需关注硬件资源。
35.2.3 原理图 本章实验内容，主要讲解image模块的使用，无需关注原理图。
35.3 程序设计 35.3.1 image模块图像特征检测方法介绍 有关image模块图像特征检测方法的介绍，请见第35.1小节《image模块图像特征检测方法介绍》。
35.3.2 程序流程图 图35.3.2.1 image图像特征检测实验流程图
35.3.3 main.py代码 main.py中的脚本代码如下所示： from board import board_info from fpioa_manager import fm from maix import GPIO import time import lcd import sensor import image import gc lcd.init() sensor.reset() sensor.set_framesize(sensor.QVGA) sensor.set_pixformat(sensor.RGB565) sensor.set_hmirror(False) type = 0 type_dict = { 0: "Normal", 1: "Edge", 2: "Circle", 3: "Line", 4: "HoG" } fm.register(board_info.KEY0, fm.fpioa.GPIOHS0) key0 = GPIO(GPIO.GPIOHS0, GPIO.IN, GPIO.PULL_UP) def key_irq_handler(key): global key0 global type time.sleep_ms(20) if key is key0 and key.value() == 0: type = type + 1 if type == len(type_dict): type = 0 key0.irq(key_irq_handler, GPIO.IRQ_FALLING, GPIO.WAKEUP_NOT_SUPPORT, 7) while True: img = sensor.snapshot() if type == 0: # 原图 pass elif type == 1: # 边缘检测 gray = img.to_grayscale(copy=True) gray.find_edges(image.EDGE_SIMPLE, threshold=(100, 255)) img.draw_image(gray, 0, 0, mask=gray) del gray elif type == 2: # 圆形检测 circles = img.find_circles((0, 0, img.width(), img.height()), x_stride=2, y_stride=2, threshold=3800, x_margin=50, y_margin=50, r_margin=50, r_min=60, r_max=80, r_step=5) for c in circles: img.draw_circle(c.x(), c.y(), c.r(), color=(255, 0, 0), thickness=2) elif type == 3: # 直线检测 lines = img.find_lines((0, 0, img.width(), img.height()), x_stride=2, y_stride=1, threshold=1000, theta_margin=25, rho_margin=25) for l in lines: img.draw_line(l.line(), color=(255, 0, 0), thickness=2) elif type == 4: img.to_grayscale() # HoG检测 img.find_hog((0, 0, img.width(), img.height()), size=8) else: type = 0 img.draw_string(10, 10, type_dict[type], color=(255, 0, 0), scale=1.6) lcd.display(img) gc.collect() 可以看到一开始是先初始化了LCD、摄像头和中断按键，并且按下中断按键可以切换图像特征检测的方式。 接着在一个循环中不断地获取摄像头输出的图像，因为获取到的图像就是Image对象，因此可以直接调用image模块为Image对象提供的各种方法，然后就是对图像进行特征检测，最后在LCD显示图像以及检测到的特征。
35.4 运行验证 将DNK210开发板连接CanMV IDE，点击CanMV IDE上的“开始(运行脚本)”按钮后，便能看到LCD上显示了处理后的摄像头图像，按下KEY0按键还能够切换特征检测方式，如下图所示： 图35.4.1 摄像头原图图像 图35.4.2 边缘检测 图35.4.3 圆形检测 图35.4.4 直线检测 图35.4.5 HoG检测
| 
楼主
标题置顶
标题高亮
