C++怎么用OpenCV獲取圖片中物品的數量

# C++怎么用OpenCV獲取圖片中物品的數量

在計算機視覺領域，使用OpenCV庫進行圖像處理是常見的解決方案。本文將詳細介紹如何通過C++和OpenCV實現圖片中物品數量的統計，涵蓋從圖像預處理到輪廓檢測的完整流程。

---

## 一、環境準備

### 1. 安裝OpenCV
```bash
# Ubuntu安裝命令
sudo apt-get install libopencv-dev

# Windows可通過vcpkg或官網預編譯包安裝
vcpkg install opencv

2. 創建C++項目

配置CMakeLists.txt：

cmake_minimum_required(VERSION 3.10)
project(ItemCounter)

find_package(OpenCV REQUIRED)
add_executable(main main.cpp)
target_link_libraries(main ${OpenCV_LIBS})

二、基礎圖像處理流程

1. 讀取圖像

#include <opencv2/opencv.hpp>
using namespace cv;

int main() {
    Mat image = imread("objects.jpg");
    if(image.empty()) {
        std::cerr << "圖像加載失敗!" << std::endl;
        return -1;
    }
}

2. 圖像預處理

關鍵步驟：

// 轉換為灰度圖
Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);

// 高斯模糊降噪
GaussianBlur(gray, gray, Size(5,5), 0);

// 二值化處理
Mat binary;
threshold(gray, binary, 100, 255, THRESH_BINARY_INV);

三、物品數量統計方法

方法一：基于輪廓檢測

vector<vector<Point>> contours;
vector<Vec4i> hierarchy;
findContours(binary, contours, hierarchy, RETR_EXTERNAL, CHN_APPROX_SIMPLE);

// 過濾小面積噪聲
int validCount = 0;
for(const auto& contour : contours) {
    if(contourArea(contour) > 500) { // 面積閾值
        validCount++;
        drawContours(image, vector<vector<Point>>{contour}, -1, Scalar(0,255,0), 2);
    }
}

std::cout << "檢測到物品數量: " << validCount << std::endl;

方法二：基于連通域分析

Mat labels, stats, centroids;
int numObjects = connectedComponentsWithStats(binary, labels, stats, centroids);

// 減去背景
numObjects--; 

// 可視化
for(int i=1; i<numObjects; i++) {
    if(stats.at<int>(i, CC_STAT_AREA) > 500) {
        rectangle(image, 
            Point(stats.at<int>(i, CC_STAT_LEFT), stats.at<int>(i, CC_STAT_TOP)),
            Point(stats.at<int>(i, CC_STAT_LEFT) + stats.at<int>(i, CC_STAT_WIDTH),
                  stats.at<int>(i, CC_STAT_TOP) + stats.at<int>(i, CC_STAT_HEIGHT)),
            Scalar(0,0,255), 2);
    }
}

四、進階優化技巧

1. 形態學處理

// 閉運算填充空洞
Mat kernel = getStructuringElement(MORPH_RECT, Size(7,7));
morphologyEx(binary, binary, MORPH_CLOSE, kernel);

2. 自適應閾值

adaptiveThreshold(gray, binary, 255, 
    ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY_INV, 11, 2);

3. 顏色空間分割

Mat hsv;
cvtColor(image, hsv, COLOR_BGR2HSV);
inRange(hsv, Scalar(0,50,50), Scalar(10,255,255), binary); // 紅色物體

五、完整示例代碼

#include <opencv2/opencv.hpp>
#include <iostream>

int main() {
    // 1. 讀取圖像
    Mat src = imread("objects.jpg");
    
    // 2. 預處理
    Mat gray, binary;
    cvtColor(src, gray, COLOR_BGR2GRAY);
    GaussianBlur(gray, gray, Size(5,5), 0);
    threshold(gray, binary, 100, 255, THRESH_BINARY_INV);
    
    // 3. 形態學處理
    Mat kernel = getStructuringElement(MORPH_RECT, Size(7,7));
    morphologyEx(binary, binary, MORPH_CLOSE, kernel);
    
    // 4. 輪廓檢測
    vector<vector<Point>> contours;
    findContours(binary, contours, RETR_EXTERNAL, CHN_APPROX_SIMPLE);
    
    // 5. 結果輸出
    int count = 0;
    for(const auto& contour : contours) {
        if(contourArea(contour) > 500) {
            count++;
            drawContours(src, vector<vector<Point>>{contour}, -1, Scalar(0,255,0), 2);
        }
    }
    
    std::cout << "Total objects: " << count << std::endl;
    imshow("Result", src);
    waitKey(0);
    return 0;
}

六、常見問題解決

1. 誤檢問題：

   • 調整面積閾值參數
   • 增加形態學腐蝕操作

2. 漏檢問題：

   • 嘗試Canny邊緣檢測替代閾值分割

   Canny(gray, binary, 50, 150);
   

3. 重疊物體：

   • 使用分水嶺算法

   watershed(image, markers);
   

通過上述方法，您可以準確統計圖像中的物品數量。實際應用中需要根據具體場景調整參數，建議使用trackbar進行交互式調試：

namedWindow("Control");
createTrackbar("Threshold", "Control", &threshVal, 255, callbackFunc);

希望本教程能幫助您快速實現物品計數功能！ “`