前言

本文將使用OpenCV C++ 進行物件計算，

一、影像預處理

原圖如圖所示，本案例想做的是統計影像中有多少個物體，簡單來說就是通過統計有效輪廓來計數，本案例其實最重要的是如何進行影像預處理，如何才能夠將這些輪廓有效區分開，所以，具體影像要設定一個符合特定需求的演算法，接下來，我將一一演示如何一步步進行操作的，

1.灰度、閾值

首先進行影像灰度化，再進行二值化處理，這些都是很基本的影像預處理操作，由于我們的影像是單峰影像，在這是使用的是THRESH_TRIANGLE做閾值，

	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	//單峰影像使用THRESH_TRIANGLE做閾值
	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY_INV | THRESH_TRIANGLE);
	

THRESH_TRIANGLE

THRESH_OTSU

結果如圖所示，如果使用THRESH_OTSU的話，效果遠沒有THRESH_TRIANGLE好，

2.腐蝕

經過二值化得到的影像明顯黏在一起的，所以得使用腐蝕操作將它們稍微分離一下，在這里，我使用的kernel稍微大了一點，這個根據影像特征自行設定，

	//進行腐蝕操作，稍微斷開一些聯通區域
	Mat kernel = getStructuringElement(MORPH_RECT, Size(15, 15));
	Mat erosion;
	erode(thresh, erosion, kernel);

如圖為進行腐蝕操作后的效果，可以看出已經稍微分離了一點，但還不能完全分離，所以還得進行進一步操作，

3.距離變換

OpenCV 的distanceTransform 用于計算影像中每一個非零點距離自己最近零點的距離，影像上越亮的點，代表離零點距離越遠，進行距離變換，可以查找出亮包，找出物體的中心，

	//進行距離變換，查找出亮包 找出物體的中心
	Mat dist;
	distanceTransform(erosion, dist, DIST_L2, 3);
	normalize(dist, dist, 0, 1, NORM_MINMAX);

4.自適應閾值

	//使用自適應閾值
	Mat dist_8U;
	dist.convertTo(dist_8U, CV_8UC1);
	adaptiveThreshold(dist_8U, dist_8U, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 81,0);
	

通過使用自適應閾值，已經可以將物體完全分離開了，不過，有些輪廓是斷開的，所以還得通過膨脹操作將它們有效連接起來作為一個整體，

5.膨脹

	//進行膨脹處理，將有效輪廓聯通
	Mat dilation;
	dilate(dist_8U, dilation, kernel);

至此，我們的影像預處理已經完成了，可以看出，我們已經將物體完全的分離開作為一個整體，接下來就是通過輪廓查找來進行計數了，

二、輪廓查找

	vector<vector<Point>>contours;
	vector<vector<Point>>EffectiveContours;
	findContours(dilation, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	//計算有效聯通區域
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);

		if (area > 500)
		{
			EffectiveContours.push_back(contours[i]);
		}
	}

我們通過統計有效輪廓就可以統計出來到底有多少個物體了，接下來就是一些顯示效果操作了，

三、效果顯示

	for (int i = 0; i < EffectiveContours.size(); i++)
	{
		Rect rect = boundingRect(EffectiveContours[i]);
		putText(src, to_string(i+1), Point(rect.x+10, rect.y+30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);	
		//rectangle(src, Rect(rect.x, rect.y, rect.width, rect.height), Scalar(0, 255, 0), 2);
	}

	char text[10];
	sprintf_s(text, "%s%d","Total:",EffectiveContours.size());
	putText(src, text, Point(10, 30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);

結果如圖所示：

四、原始碼

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

int main()
{

	Mat src = imread("test-2.jpg");
	if (src.empty())
	{
		cout << "No Image!" << endl;
		system("pause");
		return -1;
	}

	Mat gray;
	cvtColor(src, gray, COLOR_BGR2GRAY);

	//單峰影像使用THRESH_TRIANGLE做閾值
	Mat thresh;
	threshold(gray, thresh, 0, 255, THRESH_BINARY| THRESH_TRIANGLE);
	//imshow("thresh", thresh);

	//進行腐蝕操作，稍微斷開一些聯通區域
	Mat kernel = getStructuringElement(MORPH_RECT, Size(15, 15));
	Mat erosion;
	erode(thresh, erosion, kernel);
	//imshow("erosion", erosion);

	//進行距離變換，查找出亮包 找出物體的中心
	Mat dist;
	distanceTransform(erosion, dist, DIST_L2, 3);
	normalize(dist, dist, 0, 1, NORM_MINMAX);
	//imshow("dist", dist);

	//使用自適應閾值
	Mat dist_8U;
	dist.convertTo(dist_8U, CV_8UC1);
	adaptiveThreshold(dist_8U, dist_8U, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 81,0);
	//imshow("dist_8U", dist_8U);

	//進行膨脹處理，將有效輪廓聯通
	Mat dilation;
	dilate(dist_8U, dilation, kernel);
	//imshow("close", dilation);
	
	vector<vector<Point>>contours;
	vector<vector<Point>>EffectiveContours;
	findContours(dilation, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
	//計算有效聯通區域
	for (int i = 0; i < contours.size(); i++)
	{
		double area = contourArea(contours[i]);

		if (area > 500)
		{
			EffectiveContours.push_back(contours[i]);
		}
	}

	for (int i = 0; i < EffectiveContours.size(); i++)
	{
		Rect rect = boundingRect(EffectiveContours[i]);
		putText(src, to_string(i+1), Point(rect.x+10, rect.y+30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);	
		//rectangle(src, Rect(rect.x, rect.y, rect.width, rect.height), Scalar(0, 255, 0), 2);
	}

	char text[10];
	sprintf_s(text, "%s%d","Total:",EffectiveContours.size());
	putText(src, text, Point(10, 30), FONT_HERSHEY_SIMPLEX, 1, Scalar(0, 0, 255), 2);

	imshow("src", src);
	waitKey(0);
	destroyAllWindows();
	system("pause");
	return 0;
}

總結

本文使用OpenCV C++進行物件計數，關鍵步驟有以下幾點，
1、使用灰度、閾值、形態學操作、距離變換等預處理操作將物件有效分離開成為一個整體，
2、通過統計有效輪廓數量從而統計出實際物體數量，