码迷,mamicode.com
首页 > 其他好文 > 详细

基于OpenCV做“三维重建”(1)--找到并绘制棋盘

时间:2019-03-24 16:09:41      阅读:456      评论:0      收藏:0      [点我收藏+]

标签:help   difficult   向量   hose   odi   bool   eve   控制   empty   

    《OpenCV计算机视觉编程攻略(第3版)》这套书已经出到第3版了,如果你非要我说这本书有多好,我说不出来;只是很多我第一手的例子都是来源于这本书的—相比较OpenCV官方提供的代码,这本书的例子提供了更好的帮助。所以说这里我还将继续这个工作,将来我自己出书的时候这种模式也是可选的。
     这里我要做的是第11章,关于3维重建的相关内容。【读书,做例子,多么轻松的学生岁月……】
例子11.2.1 获得图片的角点并且绘制出来。
技术图片
技术图片
// GOCVHelper.cpp : 定义控制台应用程序的入口点。
//
////说明:以下内容,用于支持《基于OpenCV做“三维重建”》
////作者:jsxyhelu(1755311380@qq.com http://jsxyhelu.cnblogs.com)
////组织:GREENOPEN
////日期:2019-3-24
#include "stdafx.h"
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/calib3d.hpp>
#include <opencv2/imgproc/imgproc_c.h>
#include "GOCVHelper.h"
using namespace std;
using namespace cv;
using namespace GO;
int _tmain(int argcTCHARargv[], TCHARenvp[])
{
    //读入实现采集好的带棋盘标定板的图片
    Mat image = imread("E:/template/stereo_calib/left01.jpg");
    // 输出图像角点的向量  
    std::vector<cv::Point2fimageCorners
    // 棋盘内部角点的数量 
    cv::Size boardSize(9,6); 
    // 获得棋盘角点 
    bool found = cv::findChessboardCorners
        image,         // 包含棋盘图案的图像 
        boardSize,     // 图案的尺寸 
        imageCorners); // 检测到的角点列表 
    // 画出角点 
    cv::drawChessboardCorners(imageboardSize
        imageCornersfound); // 找到的角点 
    return 0;
}

这段代码简明扼要,使用官方提供的图片,一次性运行成功;使用自己的图片,分辨率可能大些,这样速度慢些,但是也是一次性运行成功。
技术图片
// GOCVHelper.cpp : 定义控制台应用程序的入口点。
//
////说明:以下内容,用于支持《基于OpenCV做“三维重建”》
////作者:jsxyhelu(1755311380@qq.com http://jsxyhelu.cnblogs.com)
////组织:GREENOPEN
////日期:2019-3-24
#include "stdafx.h"
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/calib3d.hpp>
#include <opencv2/imgproc/imgproc_c.h>
#include "GOCVHelper.h"
using namespace std;
using namespace cv;
using namespace GO;
int _tmain(int argcTCHARargv[], TCHARenvp[])
{
    //读入图片序列
    vector<stringfileNames;
    GO::getFiles("E:/template/calibrateImages",fileNames);
    Mat image;
    for (size_t index = 0;index<fileNames.size();index++)
    {
        //读入当前序列图片
        image = imread(fileNames[index]);
        // 输出图像角点的向量  
        std::vector<cv::Point2fimageCorners
        // 棋盘内部角点的数量 
        cv::Size boardSize(8,6); 
        // 获得棋盘角点 
        bool found = cv::findChessboardCorners
            image,         // 包含棋盘图案的图像 
            boardSize,     // 图案的尺寸 
            imageCorners); // 检测到的角点列表 
        // 画出角点 
        cv::drawChessboardCorners(imageboardSize
            imageCornersfound); // 找到的角点 
        //绘制结果
        cv::imshow("image",image);
        cv::waitKey();
    }
    
    return 0;
}
进一步修改以后,就更完美了,能够找到全部的图片。
那么这里的问题,就是更进一步,这么好的效果是如何实现的?如果要提高速度,如何来办?
绘制图案的函数,相对来说比较简单。(E:\GItHub\opencv\modules\calib3d\src\calibinit.cpp 这个代码2250行,opencv可以的)
//// 画出角点 
//cv::drawChessboardCorners(image, boardSize, 
//                          imageCorners,
//                        found); 
void drawChessboardCornersInputOutputArray imageSize patternSize,
                           InputArray _corners,
                           bool patternWasFound )
{
    CV_INSTRUMENT_REGION();
    int type = image.type();
    int cn = CV_MAT_CN(type);
    CV_CheckType(typecn == 1 || cn == 3 || cn == 4,
        "Number of channels must be 1, 3 or 4" );
    int depth = CV_MAT_DEPTH(type);
    CV_CheckType(typedepth == CV_8U || depth == CV_16U || depth == CV_32F,
        "Only 8-bit, 16-bit or floating-point 32-bit images are supported");
    if (_corners.empty())
        return;
    Mat corners = _corners.getMat();
    const Point2fcorners_data = corners.ptr<Point2f>(0);
    int nelems = corners.checkVector(2, CV_32Ftrue);
    CV_Assert(nelems >= 0);
    const int shift = 0;
    const int radius = 4;
    const int r = radius*(1 << shift);
    double scale = 1;
    switch (depth)
    {
    case CV_8U:
        scale = 1;
        break;
    case CV_16U:
        scale = 256;
        break;
    case CV_32F:
        scale = 1./255;
        break;
    }
    int line_type = (type == CV_8UC1 || type == CV_8UC3) ? LINE_AA : LINE_8;
    if (!patternWasFound//是否找到了“棋盘”
    {
        Scalar color(0,0,255,0);
        if (cn == 1)
            color = Scalar::all(200);
        color *= scale;
        for (int i = 0; i < nelemsi++ )
        {
            cv::Point2i pt(
                cvRound(corners_data[i].x*(1 << shift)),
                cvRound(corners_data[i].y*(1 << shift))
                );
            line(imagePoint(pt.x - rpt.y - r), Pointpt.x + rpt.y + r), color, 1, line_typeshift);//每个圆配一个X
            line(imagePoint(pt.x - rpt.y + r), Pointpt.x + rpt.y - r), color, 1, line_typeshift);
            circle(imageptr+(1<<shift), color, 1, line_typeshift);
        }
    }
    else
    {
        const int line_max = 7;
        static const int line_colors[line_max][4] =
        {
            {0,0,255,0},
            {0,128,255,0},
            {0,200,200,0},
            {0,255,0,0},
            {200,200,0,0},
            {255,0,0,0},
            {255,0,255,0}
        };
        cv::Point2i prev_pt;
        for (int y = 0, i = 0; y < patternSize.heighty++)
        {
            const intline_color = &line_colors[y % line_max][0];
            Scalar color(line_color[0], line_color[1], line_color[2], line_color[3]);
            if (cn == 1)
                color = Scalar::all(200);
            color *= scale;
            for (int x = 0; x < patternSize.widthx++, i++)
            {
                cv::Point2i pt(
                    cvRound(corners_data[i].x*(1 << shift)),
                    cvRound(corners_data[i].y*(1 << shift))
                    );
                if (i != 0)
                    line(imageprev_ptptcolor, 1, line_typeshift);
                line(imagePoint(pt.x - rpt.y - r), Pointpt.x + rpt.y + r), color, 1, line_typeshift);
                line(imagePoint(pt.x - rpt.y + r), Pointpt.x + rpt.y - r), color, 1, line_typeshift);
                circle(imageptr+(1<<shift), color, 1, line_typeshift);
                prev_pt = pt;
            }
        }
    }
}

重头戏是寻找这棋盘的函数
//bool found = cv::findChessboardCorners( 
//    image,         // 包含棋盘图案的图像 
//    boardSize,     // 图案的尺寸 
//    imageCorners); // 检测到的角点列表 
bool findChessboardCorners(InputArray image_Size pattern_size,
                           OutputArray corners_int flags)
{
    CV_INSTRUMENT_REGION();
    DPRINTF("==== findChessboardCorners(img=%dx%d, pattern=%dx%d, flags=%d)",
        image_.cols(), image_.rows(), pattern_size.widthpattern_size.heightflags);
    bool found = false;
    const int min_dilations = 0;
    const int max_dilations = 7;
    int type = image_.type(), depth = CV_MAT_DEPTH(type), cn = CV_MAT_CN(type);
    Mat img = image_.getMat();
    CV_CheckType(typedepth == CV_8U && (cn == 1 || cn == 3 || cn == 4),
        "Only 8-bit grayscale or color images are supported");
    if (pattern_size.width <= 2 || pattern_size.height <= 2)
        CV_Error(Error::StsOutOfRange"Both width and height of the pattern should have bigger than 2");
    if (!corners_.needed())
        CV_Error(Error::StsNullPtr"Null pointer to corners");
    std::vector<cv::Point2fout_corners;
    if (img.channels() != 1)
    {
        cvtColor(imgimgCOLOR_BGR2GRAY);
    }
    int prev_sqr_size = 0;
    Mat thresh_img_new = img.clone();
    icvBinarizationHistogramBased(thresh_img_new); // process image in-place
    SHOW("New binarization"thresh_img_new);
    if (flags & CALIB_CB_FAST_CHECK)
    {
        //perform new method for checking chessboard using a binary image.
        //image is binarised using a threshold dependent on the image histogram
        if (checkChessboardBinary(thresh_img_newpattern_size) <= 0) //fall back to the old method
        {
            if (!checkChessboard(imgpattern_size))
            {
                corners_.release();
                return false;
            }
        }
    }
    ChessBoardDetector detector(pattern_size); //调用了预置的ChessBoard寻找类
    // Try our standard "1" dilation, but if the pattern is not found, iterate the whole procedure with higher dilations.
    // This is necessary because some squares simply do not separate properly with a single dilation.  However,
    // we want to use the minimum number of dilations possible since dilations cause the squares to become smaller,
    // making it difficult to detect smaller squares.
    for (int dilations = min_dilationsdilations <= max_dilationsdilations++)
    {
        //USE BINARY IMAGE COMPUTED USING icvBinarizationHistogramBased METHOD
        dilatethresh_img_newthresh_img_newMat(), Point(-1, -1), 1 );
        // So we can find rectangles that go to the edge, we draw a white line around the image edge.
        // Otherwise FindContours will miss those clipped rectangle contours.
        // The border color will be the image mean, because otherwise we risk screwing up filters like cvSmooth()...
        rectanglethresh_img_newPoint(0,0), Point(thresh_img_new.cols-1, thresh_img_new.rows-1), Scalar(255,255,255), 3, LINE_8);
        detector.reset();
#ifdef USE_CV_FINDCONTOURS
        Mat binarized_img = thresh_img_new;
#else
        Mat binarized_img = thresh_img_new.clone(); // make clone because cvFindContours modifies the source image
#endif
        detector.generateQuads(binarized_imgflags);
        DPRINTF("Quad count: %d/%d"detector.all_quads_count, (pattern_size.width/2+1)*(pattern_size.height/2+1));
        SHOW_QUADS("New quads"thresh_img_new, &detector.all_quads[0], detector.all_quads_count);
        if (detector.processQuads(out_cornersprev_sqr_size))
        {
            found = true;
            break;
        }
    }
    DPRINTF("Chessboard detection result 0: %d", (int)found);
    // revert to old, slower, method if detection failed
    if (!found)
    {
        if (flags & CALIB_CB_NORMALIZE_IMAGE)
        {
            img = img.clone();
            equalizeHist(imgimg);
        }
        Mat thresh_img;
        prev_sqr_size = 0;
        DPRINTF("Fallback to old algorithm");
        const bool useAdaptive = flags & CALIB_CB_ADAPTIVE_THRESH;
        if (!useAdaptive)
        {
            // empiric threshold level
            // thresholding performed here and not inside the cycle to save processing time
            double mean = cv::mean(img).val[0];
            int thresh_level = std::max(cvRound(mean - 10), 10);
            threshold(imgthresh_imgthresh_level, 255, THRESH_BINARY);
        }
        //if flag CALIB_CB_ADAPTIVE_THRESH is not set it doesn‘t make sense to iterate over k
        int max_k = useAdaptive ? 6 : 1;
        for (int k = 0; k < max_k && !foundk++)
        {
            for (int dilations = min_dilationsdilations <= max_dilationsdilations++)
            {
                // convert the input grayscale image to binary (black-n-white)
                if (useAdaptive)
                {
                    int block_size = cvRound(prev_sqr_size == 0
                        ? std::min(img.colsimg.rows) * (k % 2 == 0 ? 0.2 : 0.1)
                        : prev_sqr_size * 2);
                    block_size = block_size | 1;
                    // convert to binary
                    adaptiveThresholdimgthresh_img, 255, ADAPTIVE_THRESH_MEAN_CTHRESH_BINARYblock_size, (k/2)*5 );
                    if (dilations > 0)
                        dilatethresh_imgthresh_imgMat(), Point(-1, -1), dilations-1 );
                }
                else
                {
                    dilatethresh_imgthresh_imgMat(), Point(-1, -1), 1 );
                }
                SHOW("Old binarization"thresh_img);
                // So we can find rectangles that go to the edge, we draw a white line around the image edge.
                // Otherwise FindContours will miss those clipped rectangle contours.
                // The border color will be the image mean, because otherwise we risk screwing up filters like cvSmooth()...
                rectanglethresh_imgPoint(0,0), Point(thresh_img.cols-1, thresh_img.rows-1), Scalar(255,255,255), 3, LINE_8);
                detector.reset();
#ifdef USE_CV_FINDCONTOURS
                Mat binarized_img = thresh_img;
#else
                Mat binarized_img = (useAdaptive) ? thresh_img : thresh_img.clone(); // make clone because cvFindContours modifies the source image
#endif
                detector.generateQuads(binarized_imgflags);
                DPRINTF("Quad count: %d/%d"detector.all_quads_count, (pattern_size.width/2+1)*(pattern_size.height/2+1));
                SHOW_QUADS("Old quads"thresh_img, &detector.all_quads[0], detector.all_quads_count);
                if (detector.processQuads(out_cornersprev_sqr_size))
                {
                    found = 1;
                    break;
                }
            }
        }
    }
    DPRINTF("Chessboard detection result 1: %d", (int)found);
    if (found)
        found = detector.checkBoardMonotony(out_corners);
    DPRINTF("Chessboard detection result 2: %d", (int)found);
    // check that none of the found corners is too close to the image boundary
    if (found)
    {
        const int BORDER = 8;
        for (int k = 0; k < pattern_size.width*pattern_size.height; ++k)
        {
            ifout_corners[k].x <= BORDER || out_corners[k].x > img.cols - BORDER ||
                out_corners[k].y <= BORDER || out_corners[k].y > img.rows - BORDER )
            {
                found = false;
                break;
            }
        }
    }
    DPRINTF("Chessboard detection result 3: %d", (int)found);
    if (found)
    {
        if ((pattern_size.height & 1) == 0 && (pattern_size.width & 1) == 0 )
        {
            int last_row = (pattern_size.height-1)*pattern_size.width;
            double dy0 = out_corners[last_row].y - out_corners[0].y;
            if (dy0 < 0)
            {
                int n = pattern_size.width*pattern_size.height;
                for(int i = 0; i < n/2; i++ )
                {
                    std::swap(out_corners[i], out_corners[n-i-1]);
                }
            }
        }
        cv::cornerSubPix(imgout_cornersSize(2, 2), Size(-1,-1),
            cv::TermCriteria(TermCriteria::EPS + TermCriteria::MAX_ITER, 15, 0.1));
    }
    Mat(out_corners).copyTo(corners_);
    return found;
}
这段代码就不好理解了。不过需要清醒认识到的是,棋盘标定这个事情,不是需要重复做的事情,一次标定完了,后面反复使用就可以,所以OpenCV提供了可用的方法我们就使用,后面如果出现其它问题再进行研究。





附件列表

     

    基于OpenCV做“三维重建”(1)--找到并绘制棋盘

    标签:help   difficult   向量   hose   odi   bool   eve   控制   empty   

    原文地址:https://www.cnblogs.com/jsxyhelu/p/10588559.html

    (0)
    (0)
       
    举报
    评论 一句话评论(0
    登录后才能评论!
    © 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
    迷上了代码!