浅析OpenCV中的BlobDetector

OpenCV Blob Detection Example

一、blob基础

所谓Blob就是图像中一组具有某些共同属性（例如，灰度值）的连接像素。在上图中，深色连接区域是斑点，斑点检测的目的是识别并标记这些区域。OpenCV提供了一种方便的方法来检测斑点并根据不同的特征对其进行过滤。在OpenCV 3中，使用SimpleBlobDetector :: create方法创建智能指针调用该算法。

Python

Python
# Setup SimpleBlobDetector parameters.
params  =  cv2.SimpleBlobDetector_Params()
# Change thresholds
params.minThreshold  =   10 ;
params.maxThreshold  =   200 ;
# Filter by Area.
params.filterByArea  =   True
params.minArea  =   1500
# Filter by Circularity
params.filterByCircularity  =   True
params.minCircularity  =   0 . 1
# Filter by Convexity
params.filterByConvexity  =   True
params.minConvexity  =   0 . 87
# Filter by Inertia
params.filterByInertia  =   True
params.minInertiaRatio  =   0 . 01
# Create a detector with the parameters
ver  =  (cv2. __version__ ).split( '.' )
if   int (ver[ 0 ])  <   3   :
    detector  =  cv2.SimpleBlobDetector(params)
else   :
    detector  =  cv2.SimpleBlobDetector_create(params)

C++

// Setup SimpleBlobDetector parameters.
SimpleBlobDetector : :Params params;
// Change thresholds
params.minThreshold  =  10;
params.maxThreshold  =  200;
// Filter by Area.
params.filterByArea  =  true;
params.minArea  =  1500;
// Filter by Circularity
params.filterByCircularity  =  true;
params.minCircularity  =  0. 1;
// Filter by Convexity
params.filterByConvexity  =  true;
params.minConvexity  =  0. 87;
// Filter by Inertia
params.filterByInertia  =  true;
params.minInertiaRatio  =  0. 01;
# if CV_MAJOR_VERSION  <  3    // If you are using OpenCV 2
   // Set up detector with params
  SimpleBlobDetector detector(params);
   // You can use the detector this way
   // detector.detect( im, keypoints);
# else
   // Set up detector with params
  Ptr <SimpleBlobDetector > detector  = SimpleBlobDetector : :create(params);
   // SimpleBlobDetector::create creates a smart pointer.
   // So you need to use arrow ( ->) instead of dot ( . )
   // detector->detect( im, keypoints);
# endif

二、blob参数设置

在OpenCV中实现的叫做SimpleBlobDetector，它基于以下描述的相当简单的算法，并且进一步由参数控制，具有以下步骤。

SimpleBlobDetector : :Params : :Params()
{
    thresholdStep  =  10;     //二值化的阈值步长，即公式1的t
    minThreshold  =  50;    //二值化的起始阈值，即公式1的T1
    maxThreshold  =  220;     //二值化的终止阈值，即公式1的T2
     //重复的最小次数，只有属于灰度图像斑点的那些二值图像斑点数量大于该值时，该灰度图像斑点才被认为是特征点
    minRepeatability  =  2;   
     //最小的斑点距离，不同二值图像的斑点间距离小于该值时，被认为是同一个位置的斑点，否则是不同位置上的斑点
    minDistBetweenBlobs  =  10;
 
    filterByColor  =  true;     //斑点颜色的限制变量
    blobColor  =  0;     //表示只提取黑色斑点；如果该变量为255，表示只提取白色斑点
 
    filterByArea  =  true;     //斑点面积的限制变量
    minArea  =  25;     //斑点的最小面积
    maxArea  =  5000;     //斑点的最大面积
 
    filterByCircularity  =  false;     //斑点圆度的限制变量，默认是不限制
    minCircularity  =  0. 8f;     //斑点的最小圆度
     //斑点的最大圆度，所能表示的float类型的最大值
    maxCircularity  = std : :numeric_limits < float > : :max();
 
    filterByInertia  =  true;     //斑点惯性率的限制变量
    minInertiaRatio  =  0. 1f;     //斑点的最小惯性率
    maxInertiaRatio  = std : :numeric_limits < float > : :max();     //斑点的最大惯性率
 
    filterByConvexity  =  true;     //斑点凸度的限制变量
    minConvexity  =  0. 95f;     //斑点的最小凸度
    maxConvexity  = std : :numeric_limits < float > : :max();     //斑点的最大凸度
}

  • 阈值：通过使用以minThreshold开始的阈值对源图像进行阈值处理，将源图像转换为多个二进制图像。这些阈值以thresholdStep递增，直到maxThreshold。因此，第一个阈值为minThreshold，第二个阈值为minThreshold + thresholdStep，第三个阈值为minThreshold + 2 x thresholdStep，依此类推；
  • 分组：在每个二进制图像中，连接的白色像素被分组在一起。我们称这些二进制blob；
  • 合并：计算二进制图像中二进制斑点的中心，并合并比minDistBetweenBlob更近的斑点；
  • 中心和半径计算：计算并返回新合并的Blob的中心和半径。

并且可以进一步设置SimpleBlobDetector的参数来过滤所需的Blob类型。

  • 按颜色：首先需要设置filterByColor =True。设置blobColor = 0可选择较暗的blob，blobColor = 255可以选择较浅的blob。
  • 按大小：可以通过设置参数filterByArea = 1以及minArea和maxArea的适当值来基于大小过滤blob。例如。设置minArea = 100将滤除所有少于100个像素的斑点。
  • 按圆度：这只是测量斑点距圆的距离。例如。正六边形的圆度比正方形高。要按圆度过滤，请设置filterByCircularity =1。然后为minCircularity和maxCircularity设置适当的值。圆度定义为（）。圆的为圆度为1，正方形的圆度为PI/4，依此类推。
  • 按凸性：凸度定义为（斑点的面积/凸包的面积）。现在，形状的“凸包”是最紧密的凸形，它完全包围了该形状，用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它能包含点集中所有的点。直观感受上，凸性越高则里面“奇怪的部分”越少。要按凸度过滤，需设置filterByConvexity = true，minConvexity、maxConvexity应该属于[0,1]，而且maxConvexity> minConvexity。
  • 按惯性比：这个词汇比较抽象。我们需要知道Ratio可以衡量形状的伸长程度。简单来说。对于圆，此值是1，对于椭圆，它在0到1之间，对于直线，它是0。按惯性比过滤，设置filterByInertia = true，并设置minInertiaRatio、maxInertiaRatio同样属于[0,1]并且maxConvexity> minConvexity。
    按凸性（左低右高）按惯性比（左低右高）
    Concave versus Convex Shape Inertia Ratio

三、OpenCV的blob代码解析

在它的函数定义部分(feature2d.hpp),详细地说明了该部分代码的使用方法。
实现部分代码，来源于
单文件构成，结构比较简单，主要函数集中于detect和 findBlobs ，其他的皆为配合函数。
主要的一个数据结构， 包含了中心的位置、半径和确定性。
   struct CV_EXPORTS Center
  {
      Point2d location;
       double radius;
       double confidence;
  };
2.1 findblob函数实现
findblob的主要过程是寻找到当前图片的轮廓，而后根据参数中的相关定义进行筛选。其中值得注意的地方。
    std::vector < std::vector<Point> > contours;
    findContours(binaryImage, contours, RETR_LIST, CHAIN_APPROX_NONE);

2.1.1在findContours的过程中，使用的是 RETR_LIST 和  CHAIN_APPROX_NONE ，我们来看下图
RETR_LIST   的方法是将所有的轮廓全部以链表的形式串联起来（反过来说，将丢失轮廓间的树状结构）。
2.1.2注意 轮廓遍历的大循环。进入循环后将根据参数中的每一个单项进行逐条筛选。
 for (size_t contourIdx = 0; contourIdx < contours.size(); contourIdx++)
    {……
2.1.3 “面积”筛选 通过 获得moms.m00 来获得面积。
  Moments moms  = moments(contours[contourIdx]);
         if (params.filterByArea)
        {
             double area  = moms.m00;
             if (area  < params.minArea  || area  > = params.maxArea)
                 continue;
        }
这个地方调用了moments()，该函数用于计算中心矩。 设f(x,y)是一幅数字图像， ，我们把像素的坐标看成是一个二维随机变量(X, Y)，那么一副灰度图可以用二维灰度图密度函数来表示，因此可以用矩来描述灰度图像的特征。
 
对于二值图像的来说，零阶矩M00等于它的面积，同时一阶矩计算质心/重心。OpenCV中是这样实现
Moments moments(InputArray array, bool binaryImage = false )
    class Moments
    {
    public :
        Moments();
        Moments( double m00, double m10, double m01, double m20, double m11,
                double m02, double m30, double m21, double m12, double m03 );
        Moments( const CvMoments & moments );
        operator CvMoments() const;
    }  

    参数说明

    • 输入参数：array是一幅单通道，8-bits的图像，或一个二维浮点数组(Point of Point2f)。binaryImage用来指示输出图像是否为一幅二值图像，如果是二值图像，则图像中所有非0像素看作为1进行计算。
    • 输出参数：moments是一个类：

    2.1.3 “圆度”筛选时通过来计算圆度公式，此外自带函数 arcLength 获得轮廓的周长。
        double perimeter  = arcLength(contours[contourIdx],  true);
        double ratio  =  4  * CV_PI  * area  / (perimeter  * perimeter);
    2.1.3“颜色”筛选，只判断“圆心”的颜色。
    if (params.filterByColor)
    {
          if (binaryImage.at <uchar > (cvRound(center.location.y), cvRound(center.location.x))  != params.blobColor)
               continue;
    }
    这个使用方法值得商榷，在实际使用过程中不采纳。
    2.1.4 "凸性"筛选， 凸图像在0-1之间取值。
    if (params.filterByConvexity)
            {
                std : :vector  < Point  > hull;
                convexHull(contours[contourIdx], hull);
                 double area  = contourArea(contours[contourIdx]);
                 double hullArea  = contourArea(hull);
                 if (fabs(hullArea)  < DBL_EPSILON)
                     continue;
                 double ratio  = area  / hullArea;
                 if (ratio  < params.minConvexity  || ratio  > = params.maxConvexity)
                     continue;
            }
    ……
    我们可以用凸度来表示斑点凹凸的程度，凸度V的定义为：

    。其中，使用到了内部函数convexHull

    凸包示意图image

    2.1.5“惯性比”筛选，简单的来说，就是轮廓“扁”的程度。对于圆，此值是1，对于椭圆，它在0到1之间，对于直线，它是0。基本上就是取值在0-1之间，越扁越小。
    if (params.filterByInertia)
    {
                 double denominator  = std : :sqrt(std : :pow( 2  * moms.mu11,  2)  + std : :pow(moms.mu20  - moms.mu02,  2));
                 const  double eps  =  1e - 2;
                 double ratio;
                 if (denominator  > eps)
                {
                     double cosmin  = (moms.mu20  - moms.mu02)  / denominator;
                     double sinmin  =  2  * moms.mu11  / denominator;
                     double cosmax  =  -cosmin;
                     double sinmax  =  -sinmin;
                     double imin  =  0. 5  * (moms.mu20  + moms.mu02)  -  0. 5  * (moms.mu20  - moms.mu02)  * cosmin  - moms.mu11  * sinmin;
                     double imax  =  0. 5  * (moms.mu20  + moms.mu02)  -  0. 5  * (moms.mu20  - moms.mu02)  * cosmax  - moms.mu11  * sinmax;
                    ratio  = imin  / imax;
                }
                 else
                {
                    ratio  =  1;
                }
                 if (ratio  < params.minInertiaRatio  || ratio  > = params.maxInertiaRatio)
                     continue;
                center.confidence  = ratio  * ratio;
    }
    ……
    二阶中心矩称为惯性矩。如果仅考虑二阶中心矩的话，则图像完全等同于一个具有确定的大小、方向和离心率，以图像质心为中心且具有恒定辐射度的椭圆。图像的协方差矩阵为：

           

    该矩阵的两个特征值λ1和λ2对应于图像强度（即椭圆）的主轴和次轴：

           


    而图像的方向角度θ为：

           

    图像的惯性率I为：

       
    这个函数定义和代码略有不同，没有进一步研究。
    2.1.6特别注意“半径”的计算方法
    //compute blob radius
    {
                std : :vector < double > dists;
                 for (size_t pointIdx  =  0; pointIdx  < contours[contourIdx].size(); pointIdx ++)
                {
                    Point2d pt  = contours[contourIdx][pointIdx];
                    dists.push_back(norm(center.location  - pt));
                }
                std : :sort(dists.begin(), dists.end());
                center.radius  = (dists[(dists.size()  -  1)  /  2]  + dists[dists.size()  /  2])  /  2.;
    }
    采用的是排序取中间值的方法，值得借鉴。
    2.2 detect函数实现
    2.2.1 对于图像通道的判断，值得借鉴。  

        Mat grayscaleImage;
         if (image.channels()  ==  3  || image.channels()  ==  4)
            cvtColor(image, grayscaleImage, COLOR_BGR2GRAY);
         else
            grayscaleImage  = image.getMat();
         if (grayscaleImage.type()  != CV_8UC1) {
            CV_Error(Error : :StsUnsupportedFormat,  "Blob detector only supports 8-bit images!");
        }
    2.2.2最外层的循环采用的是遍历阈值的方法，该方法非常值得借鉴。
    for ( double thresh  = params.minThreshold; thresh  < params.maxThreshold; thresh  += params.thresholdStep)
        {
            Mat binarizedImage;
            threshold(grayscaleImage, binarizedImage, thresh,  255, THRESH_BINARY);……
    2.2.3 通过距离判断新找到的圆是否为新圆，这段绝对是值得复用的。
    for ( double thresh  = params.minThreshold; thresh  < params.maxThreshold; thresh  += params.thresholdStep)
        {
            Mat binarizedImage;
            threshold(grayscaleImage, binarizedImage, thresh,  255, THRESH_BINARY);
            std : :vector  < Center  > curCenters;
            findBlobs(grayscaleImage, binarizedImage, curCenters);
            std : :vector  < std : :vector <Center >  > newCenters;
             for (size_t i  =  0; i  < curCenters.size(); i ++)
            {
                 bool isNew  =  true;
                 for (size_t j  =  0; j  < centers.size(); j ++)
                {
                     double dist  = norm(centers[j][ centers[j].size()  /  2 ].location  - curCenters[i].location);
                    isNew  = dist  > = params.minDistBetweenBlobs  && dist  > = centers[j][ centers[j].size()  /  2 ].radius  && dist  > = curCenters[i].radius;
                     if ( !isNew)
                    {
                        centers[j].push_back(curCenters[i]);
                        size_t k  = centers[j].size()  -  1;
                         while( k  >  0  && curCenters[i].radius  < centers[j][k - 1].radius )
                        {
                            centers[j][k]  = centers[j][k - 1];
                            k --;
                        }
                        centers[j][k]  = curCenters[i];
                         break;
                    }
                }
                 if (isNew)
                    newCenters.push_back(std : :vector <Center > ( 1, curCenters[i]));
            }
            std : :copy(newCenters.begin(), newCenters.end(), std : :back_inserter(centers));
        }

    三、一些联想
    1、面积筛选这块，那个面积函数是什么意思？
    面积函数是专门有实现的。
    double cv::contourArea( InputArray _contour, bool oriented )
    {
        CV_INSTRUMENT_REGION();
        Mat contour = _contour.getMat();
        int npoints = contour.checkVector(2);
        int depth = contour.depth();
        CV_Assert(npoints >= 0 && (depth == CV_32F || depth == CV_32S));
        if( npoints == 0 )
            return 0.;
        double a00 = 0;
        bool is_float = depth == CV_32F;
        const Point* ptsi = contour.ptr<Point>();
        const Point2f* ptsf = contour.ptr<Point2f>();
        Point2f prev = is_float ? ptsf[npoints-1] : Point2f((float)ptsi[npoints-1].x, (float)ptsi[npoints-1].y);
        for( int i = 0; i < npoints; i++ )
        {
            Point2f p = is_float ? ptsf[i] : Point2f((float)ptsi[i].x, (float)ptsi[i].y);
            a00 += (double)prev.x * p.y - (double)prev.y * p.x;
            prev = p;
        }
        a00 *= 0.5;
        if( !oriented )
            a00 = fabs(a00);
        return a00;
    }
    但是据说，   double   area  =  moms . m00 ; 也行，这个是为什么？
    进入看看，并且删除多余的东西：
    cv::Moments cv::moments( InputArray _src, bool binary )
    {
        CV_INSTRUMENT_REGION();
        const int TILE_SIZE = 32;
        MomentsInTileFunc func = 0;
        uchar nzbuf[TILE_SIZE*TILE_SIZE];
        Moments m;
        int type = _src.type(), depth = CV_MAT_DEPTH(type), cn = CV_MAT_CN(type);
        Size size = _src.size();
        if( size.width <= 0 || size.height <= 0 )
            return m;
    #ifdef HAVE_OPENCL
        CV_OCL_RUN_(type == CV_8UC1 && _src.isUMat(), ocl_moments(_src, m, binary), m);
    #endif
        Mat mat = _src.getMat();
        if( mat.checkVector(2) >= 0 && (depth == CV_32F || depth == CV_32S))
            return contourMoments(mat);
        if( cn > 1 )
            CV_Error( CV_StsBadArg, "Invalid image type (must be single-channel)" );
        CV_IPP_RUN(!binary, ipp_moments(mat, m), m);
        if( binary || depth == CV_8U )
            func = momentsInTile<uchar, int, int>;
        else if( depth == CV_16U )
            func = momentsInTile<ushort, int, int64>;
        else if( depth == CV_16S )
            func = momentsInTile<short, int, int64>;
        else if( depth == CV_32F )
            func = momentsInTile<float, double, double>;
        else if( depth == CV_64F )
            func = momentsInTile<double, double, double>;
        else
            CV_Error( CV_StsUnsupportedFormat, "" );
        Mat src0(mat);
        for( int y = 0; y < size.height; y += TILE_SIZE )
        {
            Size tileSize;
            tileSize.height = std::min(TILE_SIZE, size.height - y);
            for( int x = 0; x < size.width; x += TILE_SIZE )
            {
                tileSize.width = std::min(TILE_SIZE, size.width - x);
                Mat src(src0, cv::Rect(x, y, tileSize.width, tileSize.height));
                if( binary )
                {
                    cv::Mat tmp(tileSize, CV_8U, nzbuf);
                    cv::compare( src, 0, tmp, CV_CMP_NE );
                    src = tmp;
                }
                double mom[10];
                func( src, mom );
                if(binary)
                {
                    double s = 1./255;
                    for( int k = 0; k < 10; k++ )
                        mom[k] *= s;
                }
                double xm = x * mom[0], ym = y * mom[0];
                // accumulate moments computed in each tile
                // + m00 ( = m00' )
                m.m00 += mom[0];
                // + m10 ( = m10' + x*m00' )
                m.m10 += mom[1] + xm;
                // + m01 ( = m01' + y*m00' )
                m.m01 += mom[2] + ym;
                // + m20 ( = m20' + 2*x*m10' + x*x*m00' )
                m.m20 += mom[3] + x * (mom[1] * 2 + xm);
                // + m11 ( = m11' + x*m01' + y*m10' + x*y*m00' )
                m.m11 += mom[4] + x * (mom[2] + ym) + y * mom[1];
                // + m02 ( = m02' + 2*y*m01' + y*y*m00' )
                m.m02 += mom[5] + y * (mom[2] * 2 + ym);
                // + m30 ( = m30' + 3*x*m20' + 3*x*x*m10' + x*x*x*m00' )
                m.m30 += mom[6] + x * (3. * mom[3] + x * (3. * mom[1] + xm));
                // + m21 ( = m21' + x*(2*m11' + 2*y*m10' + x*m01' + x*y*m00') + y*m20')
                m.m21 += mom[7] + x * (2 * (mom[4] + y * mom[1]) + x * (mom[2] + ym)) + y * mom[3];
                // + m12 ( = m12' + y*(2*m11' + 2*x*m01' + y*m10' + x*y*m00') + x*m02')
                m.m12 += mom[8] + y * (2 * (mom[4] + x * mom[2]) + y * (mom[1] + xm)) + x * mom[5];
                // + m03 ( = m03' + 3*y*m02' + 3*y*y*m01' + y*y*y*m00' )
                m.m03 += mom[9] + y * (3. * mom[5] + y * (3. * mom[2] + ym));
            }
        }
        completeMomentState( &m );
        return m;
    }

    static void momentsInTile( const Mat& img, double* moments )
    {
        Size size = img.size();
        int x, y;
        MT mom[10] = {0,0,0,0,0,0,0,0,0,0};
        MomentsInTile_SIMD<T, WT, MT> vop;
        for( y = 0; y < size.height; y++ )
        {
            const T* ptr = img.ptr<T>(y);
            WT x0 = 0, x1 = 0, x2 = 0;
            MT x3 = 0;
            x = vop(ptr, size.width, x0, x1, x2, x3);
            for( ; x < size.width; x++ )
            {
                WT p = ptr[x];
                WT xp = x * p, xxp;
                x0 += p;
                x1 += xp;
                xxp = xp * x;
                x2 += xxp;
                x3 += xxp * x;
            }
            WT py = y * x0, sy = y*y;
            mom[9] += ((MT)py) * sy;  // m03
            mom[8] += ((MT)x1) * sy;  // m12
            mom[7] += ((MT)x2) * y;  // m21
            mom[6] += x3;             // m30
            mom[5] += x0 * sy;        // m02
            mom[4] += x1 * y;         // m11
            mom[3] += x2;             // m20
            mom[2] += py;             // m01
            mom[1] += x1;             // m10
            mom[0] += x0;             // m00
        }
        for( x = 0; x < 10; x++ )
            moments[x] = (double)mom[x];
    }
    从结果来比较
    Moments moms = moments(contours[contourIdx]);
    double area = moms.m00;    		double  area = contourArea(contours[contourIdx]);
    是一个东西，这样的话就更应该优选contourArea，因为更具有可解释性。但是在这里，使用m00却是有道理的：
    因为moms不仅在一个地方被使用，那么这次就算就是非常值的。
    2、凸度的话，从结果图片上再继续分析；
    凸度来表示斑点凹凸的程度，其定义为：

    凸包示意图
    简单来说，比如看这张图，area(hull)>>area(contours)，这个值越大，则表明原图这个尖子越多，可以表明是越复杂，越可能存在缺口，越不像一个平滑、规整的图像。
    3、惯性里面有一个confidence是什么意思？
     if (params.filterByInertia)
            {
                double denominator = std::sqrt(std::pow(2 * moms.mu11, 2) + std::pow(moms.mu20 - moms.mu02, 2));
                const double eps = 1e-2;
                double ratio;
                if (denominator > eps)
                {
                    double cosmin = (moms.mu20 - moms.mu02) / denominator;
                    double sinmin = 2 * moms.mu11 / denominator;
                    double cosmax = -cosmin;
                    double sinmax = -sinmin;
                    double imin = 0.5 * (moms.mu20 + moms.mu02) - 0.5 * (moms.mu20 - moms.mu02) * cosmin - moms.mu11 * sinmin;
                    double imax = 0.5 * (moms.mu20 + moms.mu02) - 0.5 * (moms.mu20 - moms.mu02) * cosmax - moms.mu11 * sinmax;
                    ratio = imin / imax;
                }
                else
                {
                    ratio = 1;
                }
                if (ratio < params.minInertiaRatio || ratio >= params.maxInertiaRatio)
                    continue;
                center.confidence = ratio * ratio;
    也就是相当于：
    center . confidence  =  imin  /  imax * ( imin  /  imax)
    这个来自于这里的解释：
    偏心率是指某一椭圆轨道与理想圆形的偏离程度，长椭圆轨道的偏心率高，而近于圆形的轨道的偏心率低。圆形的偏心率等于0，椭圆的偏心率介于0和1之间，而偏心率等于1表示的是抛物线。直接计算斑点的偏心率较为复杂，但利用图像矩的概念计算图形的惯性率，再由惯性率计算偏心率较为方便。偏心率E和惯性率I之间的关系为：
     也就是   imin  /  imax   越大，E越小，越解近圆。
    惯性率：
    偏心率： 偏心率(离心率)
    偏心率（Eccentricity）是用来描述圆锥曲线轨道形状的数学量。对于圆锥曲线（二次曲线）的（不完整）统一定义：到定点（焦点）的距离与到定直线（准线）的距离的商是常数e（离心率）的点的轨迹。
    当e>1时，为双曲线的一支；当e=1时，为抛物线；当0<e<1时，为椭圆；当e=0时，为一点
    对于椭圆，偏心率即为两焦点间的距离（焦距，2c）和长轴长度（2a）的比值，即e=c/a。偏心率反映的是某一椭圆轨道与理想圆环的偏离程度，长椭圆轨道“偏心率”高，而近于圆形的轨道“偏心率”低。
    在椭圆的标准方程 (x/a)^2+(y/b)^2=1 中，如果a>b>0焦点在X轴上，这时，a代表长轴、b代表短轴、 c代表两焦点距离的一半，有关系式 c^2=a^2-b^2，即e^2=1-(b/a)^2。因此椭圆偏心率0<e<1，短轴与长轴比值(b/a)越小，e越接近于1，椭圆也就越扁平。
    4、默认参数不判断圆度，但仍体现出良好的圆的筛选。
    默认情况下，是不判断圆度的，但是仍然体现出了良好的对圆的筛选。
    /*
    *  SimpleBlobDetector
    */
    SimpleBlobDetector::Params::Params()
    {
        thresholdStep = 10;
        minThreshold = 50;
        maxThreshold = 220;
        minRepeatability = 2;
        minDistBetweenBlobs = 10;
        filterByColor = true;
        blobColor = 0;
        filterByArea = true;
        minArea = 25;
        maxArea = 5000;
        filterByCircularity = false;
        minCircularity = 0.8f;
        maxCircularity = std::numeric_limits<float>::max();
        filterByInertia = true;
        //minInertiaRatio = 0.6;
        minInertiaRatio = 0.1f;
        maxInertiaRatio = std::numeric_limits<float>::max();
        filterByConvexity = true;
        //minConvexity = 0.8;
        minConvexity = 0.95f;
        maxConvexity = std::numeric_limits<float>::max();
    }
    但是它的 Convexity 很高，一般来说，如果要达到这么高的 Convexity ,那么肯定是一个封闭图形；反而也可以直接使用圆度来进行判断，但是得到的结果要少一些。
    5、blob和contours的区别、对比
            blob和contours是高、低配关系。可以通过代码非常明显地看出,blob调用了contours方法，但仅仅是一种方法；blob在轮廓筛选这块更成熟；但contours还有一个重要的信息，那就是“轮廓间关系”。
            将来在使用上，应该推广blob方法，但是可能不仅仅是调用其函数，还是需要将其内容掰开来具体研究分析；对于有“轮廓间 关系 ”的情况，应该积极主动使用contours分析。

            感谢阅读至此，希望有所帮助。








    posted on 2022-12-03 15:29  jsxyhelu  阅读(175)  评论(0)  编辑  收藏  举报

    导航