目的：使用OPENCV 通过摄像头动态的实现文件扫描。
实现原理：首先图像经过预处理，提取图像的轮廓，成功提取轮廓之后吗，使用函数approxPolyDP(contours[i], conpoly[i], 0.02 * peri, true); 进行矩形拟合，获取拟合点数为4的轮廓(即方形)同时轮廓面积最大，获取了视场上最大矩形轮廓之后，提取它的四个点，以一定的方式进行排序。最后再使用视场转换即可实现功能。
代码如下：
#include <iostream>
#include <opencv2/highgui.hpp> // 说是说gui 具体什么gui 不清楚
#include <opencv2/imgcodecs.hpp> // 图像头文件
#include <opencv2/imgproc.hpp> // 图像处理头文件
using namespace std;
using namespace cv;
// 变量
Mat imgOriginal, imgGray, imgCanny, imgThre, imgBlur, imgDil, imgWarp, imgCrop;
vector<Point> initalPoints; // 初始点
vector<Point> finalPoints; // 初始点经过固定排序之后的点
float w = 420, h = 596;
// 函数
Mat preProcessing(Mat& img); //图像预处理函数
vector<Point> getContours(Mat imgDil,Mat& imgOriginal);// 获取轮廓函数
void drawPoints(vector<Point> points, Scalar color,Mat imgOriginal);// 描点函数
vector<Point> reorder(vector<Point> initalPoints); // 修改点的顺序，改为想要的 0 1 2 3
Mat getWarp(Mat imgOriginal, vector<Point> finalPoints, float w,float h);
int main()
{
VideoCapture cap(0);
/*使用摄像头的话就应该使用while循环**/
while (true)
{
cap.read(imgOriginal);
// pre-processing
imgThre = preProcessing(imgOriginal);
// get-contours - biggest
initalPoints = getContours(imgThre, imgOriginal);
if (initalPoints.size() != 0)
{
finalPoints = reorder(initalPoints);
if (finalPoints.size() != 0)
{
imgWarp = getWarp(imgOriginal, finalPoints, w, h);
int cropNum = 5;
Rect roi(cropNum, cropNum, w - 2 * cropNum, h - 2 * cropNum);
imgCrop = imgWarp(roi);
}
}
else // 若没有文档在视角范围内，则放置一个白板。
{
imgWarp = Mat(w,h,CV_8UC3,Scalar(255,255,255));
imgCrop = Mat(w, h, CV_8UC3, Scalar(255, 255, 255));
}
//drawPoints(finalPoints, Scalar(0, 255, 0), imgOriginal);
// warp image
imshow("Image", imgOriginal);
imshow("Image Dilation", imgThre);
imshow("Image Warp", imgWarp);
imshow("Image Crop", imgCrop);
waitKey(1);
// crop 因为图像边缘存在非文档的东西
// 此类东西容易影响文档扫描的精度
}
//resize(imgOriginal, imgOriginal, Size(), 0.5, 0.5); // 将原始图像缩小0.5倍
}
/*image pre-process isn't error**/
Mat preProcessing(Mat& img)
{
cvtColor(img, imgGray, COLOR_BGR2GRAY); // OPencv 中含有BGR 协议而不是RGB协议、
// 高斯滤噪 模糊
GaussianBlur(imgGray, imgBlur, Size(3, 3), 3, 0); // 该Size 图像具体哪里来的，不是很清楚
// Canny 边缘检测， 在进行Canny边缘检测之前我们一般会进行高斯滤波
Canny(imgBlur, imgCanny, 25, 75); // 后面两个参数即Canny 边缘检测的阈值
// How to dilate and erode an image
// dilate : increase the thickness to convenietly detect 即增加边线的厚度，使其显示的更加明显
// erode : decrease the thickness
Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3)); // 更改Size 的大小便更改了放大倍数 注意Size 只能选择奇数
dilate(imgCanny, imgDil, kernel); // 使用getStructruingElement 创建kernel
return imgDil;
}
vector<Point> getContours(Mat imgDil,Mat& imgOriginal)
{
vector<vector<Point>> contours;
vector<Vec4i> hierarchy; // Vec4i 即代表该向量内有4个 int 变量typedef Vec<int, 4> Vec4i; 这四个向量每一层级代表一个轮廓
findContours(imgDil, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE); // CV_CHAIN_APPROX_SIMPLE - 简单的链式接近法
vector<vector<Point>> conpoly(contours.size());// conpoly(paprameter1) ,paprameter1便代表vector对象的行数，而其列数中的vector 是使用了point点集但其只包含图形的拐角点集
vector<Point> biggest; // 定义最大轮廓
// 为了滤除微小噪声，因此计算area 的面积
int maxArea = 0; // 遍历临时变量，用以查找最大轮廓
for (int i = 0; i < contours.size(); i++) // 关于contours.size()为什么是返回二维数组的行，因为 vector::size()函数只接受vector 对象的调用而contours的所有行(不管列)均为其对象
{
int area = contourArea(contours[i]);
//cout << area << endl;
// area > 1000 的目的是为了滤除图像中的微小瑕疵
if (area > 1000)
{
float peri = arcLength(contours[i], true);// 该函数计算轮廓的长度，后面的bool值表面轮廓曲线是否闭合若为true 则轮廓曲线闭合
approxPolyDP(contours[i], conpoly[i], 0.02 * peri, true); // conpoly[i]是输出array 0.02*peri 这个参数理解不了就不要理解！！！ 最后一个参数仍然是询问是否闭合
// 判断图像中最大的矩形
if (area > maxArea&& conpoly[i].size()==4) // 若面积最大，则将其点值赋值给biggest 其中 biggest 为 point 向量
{
//drawContours(imgOriginal, conpoly, i, Scalar(255, 0, 255), 2); // 只需要绘制最大图形即可
maxArea = area;
biggest = { conpoly[i][0],conpoly[i][1],conpoly[i][2],conpoly[i][3] };
}
//rectangle(img, boundRect[i].tl(), boundRect[i].br(), Scalar(0, 255, 0), 5);
}
}
return biggest;
}
void drawPoints(vector<Point> points, Scalar color, Mat imgOriginal)
{
for (int i = 0; i < points.size(); i++)
{
circle(imgOriginal,points[i],10,color,FILLED);
putText(imgOriginal, to_string(i), points[i], FONT_HERSHEY_PLAIN, 4, color,4);
}
}
// vector 容器pushback 函数是在vector 容器的尾部添加元素
vector<Point> reorder(vector<Point> initalPoints)
{
vector<Point> tempPoints; // 设置中间变量
vector<double> sumPoints, subPoints;
int sumMinIndex, sumMaxIndex; // 查找sum的最大(3)最小值(0)索引
int subMinIndex, subMaxIndex; // 查找sub的最大()最小值()索引
for (int i = 0; i < 4; i++)
{
sumPoints.push_back(initalPoints[i].x + initalPoints[i].y); // 和值最大为第四个点
//和值最小为第一个点
// 而 2 3 点则是通过y - x 进行判断
subPoints.push_back(initalPoints[i].x - initalPoints[i].y);
}
sumMinIndex = min_element(sumPoints.begin(), sumPoints.end()) - sumPoints.begin(); // 0
subMaxIndex = max_element(subPoints.begin(), subPoints.end()) - subPoints.begin(); //1
subMinIndex = min_element(subPoints.begin(), subPoints.end()) - subPoints.begin();
sumMaxIndex = max_element(sumPoints.begin(), sumPoints.end()) - sumPoints.begin();// 3
tempPoints.push_back(initalPoints[sumMinIndex]); // 0 即最小元素
tempPoints.push_back(initalPoints[subMaxIndex]);
tempPoints.push_back(initalPoints[subMinIndex]);
tempPoints.push_back(initalPoints[sumMaxIndex]);
return tempPoints;
}
Mat getWarp(Mat imgOriginal, vector<Point> finalPoints, float w, float h)
{
Point2f src1[4] = { finalPoints[0],finalPoints[1],finalPoints[2],finalPoints[3] };
Point2f src2[4] = { {0.0f,0.0f},{w,0.0f},{0.0f,h},{w,h} };
Mat martix = getPerspectiveTransform(src1, src2);
Mat imgWarp;
warpPerspective(imgOriginal, imgWarp, martix,Size(w,h));
return imgWarp;
}实验结果如下图所示：
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
