opencv：使用主成分分析PCA盘算轮廓的偏转角度
总的来说，就是利用主成分分析方法得到轮廓的主特征向量，根据主特征向量来盘算轮廓的角度(1)找图像中的轮廓
读取图像，对图像举行HSV转换，使用明暗通道的图像举行处理轮廓提取
cv::Mat imSrc = cv::imread("xx/xx.jpeg");
cv::Mat imHSV;
cv::cvtColor(imSrc, imHSV, cv::COLOR_RGB2HSV);
std::vector<cv::Mat> vImHSV;
cv::split(imHSV, vImHSV);
cv::Mat imVal = vImHSV;
cv::threshold(imVal, imVal, 0, 255,cv::THRESH_OTSU | cv::THRESH_BINARY_INV);
cv::Mat imProfile = imVal;
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_CROSS, cv::Size(3,3));
cv::erode(imProfile, imProfile, kernel, cv::Point(-1, -1), 15);
cv::dilate(imProfile, imProfile, kernel, cv::Point(-1, -1), 20);
cv::erode(imProfile, imProfile, kernel, cv::Point(-1, -1), 5);
std::vector<std::vector<cv::Point>> vCnts;
cv::Mat imProfileTmp;
cv::Canny(imProfile, imProfileTmp, 50, 255);
cv::dilate(imProfileTmp, imProfileTmp, kernel, cv::Point(-1, -1), 15);
cv::erode(imProfileTmp, imProfileTmp, kernel, cv::Point(-1, -1), 15);
cv::findContours(imProfileTmp, vCnts, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_NONE);
if (vCnts.empty()) return -3;
(2)使用主成分分析PCA盘算特征向量
使用主成分分析盘算轮廓的特征向量，根据特征向量得到轮廓的偏转角度
根据传入的向量，盘算向量的偏转角度：
// 计算角度
double calculateAngle(const cv::Vec2f& eigenvector) {
return atan2(eigenvector, eigenvector);
}
使用PCA盘算轮廓的特征向量：
// 轮廓角度
cv::Mat matV01 = cv::Mat(vCnts01).reshape(1, vCnts01.size());
matV01.convertTo(matV01, CV_32F);
cv::PCA pca1(matV01,cv::Mat(), cv::PCA::DATA_AS_ROW);
double A_angle1 = calculateAngle(pca1.eigenvectors.at<cv::Vec2f>(0));
总结：PCA能够不外于依赖特定的轮廓外形来盘算多个轮廓之间的偏转角度，比最小外接矩形法、最小外接椭圆法盘算轮廓之间的偏转角度更为实用
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]