Traditional machine vision algorithm library(functions/tools), including barcode reading, blob detection, circle detection, line detection, shape matching, contour matching, chessboard calibration, etc
计划开源一些项目中常用的算法/功能工具，希望能够即开即用。如果对你有帮助的话烦请star一下，感谢。
基于ZXing库,主要提供了非本地图像路径而是从变量进行识别的接口，支持C++和pyd接口
用法：
a.cpp
首先按照说明配置路径,将项目属性的配置类型改成"应用程序.exe"
执行test.cpp
b.python
执行pymodels下的test.py
c.修改编译pyd
修改后注意将项目属性的配置类型改成"动态库.dll",将配置属性-高级-高级属性-目标文件扩展名改成:.pyd
d.修改编译dll
修改后注意将项目属性的配置类型改成"动态库.dll",将配置属性-高级-高级属性-目标文件扩展名改成:.dll
e.需要选择编译指定模块,在设置中设置生成库文件的名称,其他的模块需要在vs中设置选择从项目中排除
部分参数的快速了解
bool is_pure = false; // 如果输入仅包含完美对齐的条形码（生成的图像），则设置为 True,在这种情况下加快检测速度。
bool try_rotate = true; // True:解码器在任何方向搜索条形码; False:不会搜索 90° / 270° 旋转的条形码。
bool try_downscale = true; // True:解码器会扫描输入的缩小版本；False:只会在提供的分辨率中搜索
ZXing::BarcodeFormats formats = ZXing::BarcodeFormats{}; // 要解码的格式。 如果“无”，则解码所有格式。
ZXing::TextMode text_mode = ZXing::TextMode::HRI; // 指定控制原始字节内容如何转码为结果中的文本的 TextMode
ZXing::Binarizer binarizer = ZXing::Binarizer::LocalAverage; // 二值化器用于在解码条形码之前转换图像
ZXing::EanAddOnSymbol ean_add_on_symbol = ZXing::EanAddOnSymbol::Ignore; // 指定在扫描 EAN/UPC 代码时是忽略、读取还是需要 EAN-2/5 附加符号。
更多的format和TextMode等请参考Zxing的说明
Mat src1 = imread("img/DVisionBarcode/bar2.bmp");
imshow("Display window1", src1);
BarcodeRecognize t1 = BarcodeRecognize();
if (1)
{
t1.recognizes(src1);
auto results = t1.getResults();//多码
cout << results.size() << endl;
DrawResult(src1, results[1]);
}
else
{
t1.recognize(src1);
auto result = t1.getResult();;//单码
cout << result.value().text() << endl;
DrawResult(src1, result.value());
}
imshow("Display window", src1);
waitKey();
return 0;
用法同上
a.python版本中可以查看检测结果
部分参数的快速了解
可设置参数:
// 二值化参数
int autoThreshold = 1;
int minThreshold = 150;
int maxThreshold = 255;
// 连通域颜色 黑0/白1
bool blobColor = 1;
// 面积筛选
bool filterByArea = true;
int minArea = 25;
int maxArea = INT_MAX;
// 长短轴比筛选
bool filterByInertia = true;
float minInertiaRatio = 0.1f;
float maxInertiaRatio = 1;
// 凸性筛选 凸形状指的是该形状的任意两点之间的线段都完全位于该形状内部
/*bool filterByConvexity = true;
float minConvexity = 0.95f;
float maxConvexity = std::numeric_limits<float>::max();*/
// 矩形度筛选（面积与最小外接矩形之比）
bool filterByRectangularity = false;
float minRectangularity = 0.1f;
float maxRectangularity = 1;
// 周长筛选
bool filterByPerimeter = false;
int minPerimeter = 25;
int maxPerimeter = INT_MAX;
// 圆形度筛选
bool filterByCircularity = false;
float minCircularity = 0.1;
float maxCircularity = 1;
// 质心偏移距筛选
bool filterByCentroidOffset = false;
int minCentroidOffset = 25;
int maxCentroidOffset = INT_MAX;
// 查找个数，排序特征，排序方式
int maxTargets = 0;
int sortMethod = 1; // 0：不排序，1：降序，2：升序
int sortFeature = 0; // 0：面积，1：周长，2：圆形度，3：矩形度，4：轴比，5：外接矩形中心x，6：中心y
结果参数:
int label; // 连通域标签
cv::Point2f centroid; // 质心
int area; // 面积
int perimeter; // 周长
float circularity; // 圆形度
float rectangularity; // 矩形度
float axleratio; // 长短轴之比
int centroidOffset; // 质心偏移距离
cv::RotatedRect minRect; // 最小外接矩形
std::vector<cv::Point> externalContour; // 外轮廓
std::vector<std::vector<cv::Point>> Contour; // 轮廓
基于轮廓特征点的匹配
输入参数:
float score = 0.9; // 匹配分数
int maxTargets = 0; // 最大匹配数量
float overlape = 0; // 最大重叠率
float greediness = 0.9; // 贪婪度
float angleStart = 0; // 角度起始值
float angleRange = 360; // 角度范围
float angleStep = 0; // 角度步长
float scaleStart = 1; // 缩放起始值
float scaleRange = 1; // 缩放终止值
float scaleStep = 0.1; // 缩放步长
bool with_polarity = true; // 极性
int with_subpixel = 0; // 0：无亚像素 1：多项式拟合亚像素 2：最小二乘法调节位姿亚像素
int filtSize = 5; // 滤波尺寸
结果:
cv::Point2i pt;
cv::Point2d ptd;
double matchScore = 0;
double matchAngle = 0;
double matchScale = 0;
cv::Rect boundingBox;
除了常用的分数,极性,角度范围,数量,重叠率,亚像素等还包括了支持mask功能,均值和标准差加速功能
cv::Mat temp; // 模板图像
bool useMask = 0; // 使用掩码
cv::Mat mask = cv::Mat(); // 掩码
float score = 0.8; // 匹配分数
int maxtargs = 0; // 最大匹配数量
int pyramidLayer = 256; // 金字塔参数
float angleStart = 0; // 匹配角度起始值
float angleRange = 360; // 匹配角度范围
float maxOverlap = 0; // 最大重叠率
bool useMean = 0; // 均值加速
float mean = 30;
bool useSDV = 0; // 标准差加速
float SDV = 30;
bool polarity = true; // 极性
bool subpixel = 0; // 亚像素
结果参数:
cv::Point2d pt; /*Match result point*/
double dMatchScore; /*Match result Score*/
double dMatchAngle; /*Match result Angle*/
double dAngleStart; /*Match result Angle range*/
double dAngleEnd;
cv::RotatedRect rectR; /*OpenCV RotatedRect*/
bool bDelete; /*do match?*/
double vecResult[3][3]; /*for subpixel*/
int iMaxScoreIndex;
bool bPosOnBorder;
cv::Point2d ptSubPixel;
double dNewAngle;
参考了基于生长的方法,主要解决的实际项目使用原始的opencv棋盘格标定会出现因为部分角点识别不到导致标定失败
参数：
cv::Mat m_gray; // 灰度图像
cv::Mat m_imageNorm; // 归一化图像
dtype m_scoreThreshold = 0.01; // 角点筛选分数阈值
int m_filtSize = 5;
// 角点检测 中间/结果值
std::vector<int> m_radius; // 多尺度卷积核
std::vector<cv::Point2f> m_templateProps; // 不同原型的核
std::vector<std::vector<dtype>> m_cornersEdge1;
std::vector<std::vector<dtype> > m_cornersEdge2;
std::vector<cv::Point2f> m_cornerPoints; //角点
std::vector<cv::Point2f* > m_cornerPointsRefined; //亚像素角点
Corners m_corners_struct; // 角点候选点类
// 棋盘格结构恢复 中间/结果值
cv::Mat chessboard; // 棋盘格
std::vector<cv::Mat> m_chessboards; // 棋盘格
float m_lamda = 1; // 能量计算加权值
// 参数计算
double m_checkerboardSize = 1;
结果:
cv::Mat m_chessboardPoints; // 棋盘点
cv::Mat m_cameraMatrix; // 相机内参
cv::Mat m_distCoeffs; // 镜头畸变系数
cv::Mat m_rvecs; // 相机外参-旋转矩阵
cv::Mat m_tvecs; // 相机外参-平移矩阵
cv::Mat m_newObjPoints; // 优化后的新坐标点
double m_perViewErrors = 0; // 重投影误差
double m_pixelEquivalent = 0; // 像素当量
double m_pixelEquivalent1 = 0; // 水平像素当量
double m_pixelEquivalent2 = 0; // 竖直像素当量
参数:
float inlier = 0.5; // 弧段的内点率
float closedInlier = 0.5; // 闭合圆的内点率
float lineLen = 160; // 直线弧线交界处断开
float centerDis = 5; // 圆心距离
float radiusDis = 5; // 半径差距
float sharpAngle = 60; // 角度急转处断开
float SegmentCurvature = 0.01; // 弧线段曲率，根据弯曲程度断开
float minLen = 32; // 最小边缘段
int filtSize = 5; // 滤波尺寸
后续会提供另一个基于梯度计算的纯python的圆形拟合功能
后续更新计划:直线检测，基于梯度点的直线拟合检测工具，基于梯度点的圆形拟合检测工具，椭圆检测
https://github.com/DennisLiu1993/Fastest_Image_Pattern_Matching
https://github.com/meiqua/shape_based_matching
https://github.com/sdg002/RANSAC
https://github.com/glassechidna/zxing-cpp