opencv求轮廓面积的函数 C++实例

以下是使用OpenCV库中的函数计算轮廓面积的C语言示例：

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

using namespace cv;
using namespace std;

int main()
{
    Mat img = imread("test.jpg");
    cvtColor(img, img, COLOR_BGR2GRAY);
    threshold(img, img, 128, 255, THRESH_BINARY);

    vector<vector<Point> > contours;
    findContours(img, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

    for (int i = 0; i < contours.size(); i++)
    {
        double area = contourArea(contours[i]);
        cout << "Contour " << i + 1 << " Area: " << area << endl;
    }

    return 0;
}

首先，加载测试图像并将其转换为灰度图像。然后，使用阈值函数将其二值化。接下来，使用findContours函数找到图像中的轮廓，并将其存储在contours向量中。最后，使用contourArea函数计算每个轮廓的面积，并将其打印到控制台上。

相关问题

QT使用opencv实现物体动态监测代码实例

以下是一个基于Qt和OpenCV的物体动态监测的简单代码示例。该示例使用了一个摄像头来捕获视频，并使用OpenCV中的运动检测算法来检测图像中的运动物体。

代码示例：

mainwindow.h 文件：

#ifndef MAINWINDOW_H
#define MAINWINDOW_H

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

namespace Ui {
class MainWindow;
}

class MainWindow : public QMainWindow
{
    Q_OBJECT

public:
    explicit MainWindow(QWidget *parent = 0);
    ~MainWindow();

private:
    Ui::MainWindow *ui;
    cv::VideoCapture cap;
    cv::Mat prev_frame;
    bool first_frame;
    cv::Scalar lower_bound;
    cv::Scalar upper_bound;

private slots:
    void on_actionOpen_triggered();
    void on_actionExit_triggered();
    void processFrame();
};

#endif // MAINWINDOW_H

mainwindow.cpp 文件：

#include "mainwindow.h"
#include "ui_mainwindow.h"

MainWindow::MainWindow(QWidget *parent) :
    QMainWindow(parent),
    ui(new Ui::MainWindow),
    first_frame(true),
    lower_bound(30, 30, 0),
    upper_bound(100, 100, 255)
{
    ui->setupUi(this);

    // 设置摄像头
    cap.open(0);
    if(!cap.isOpened())
    {
        ui->statusBar->showMessage(tr("Cannot open camera!"));
        return;
    }

    // 启动定时器
    connect(&timer, SIGNAL(timeout()), this, SLOT(processFrame()));
    timer.start(30);
}

MainWindow::~MainWindow()
{
    delete ui;
}

void MainWindow::processFrame()
{
    cv::Mat frame;
    cap >> frame;

    // 转换为灰度图像
    cv::Mat gray_frame;
    cv::cvtColor(frame, gray_frame, CV_BGR2GRAY);

    // 初始化前一帧
    if(first_frame)
    {
        prev_frame = gray_frame.clone();
        first_frame = false;
        return;
    }

    // 计算帧间差异
    cv::Mat diff_frame;
    cv::absdiff(prev_frame, gray_frame, diff_frame);

    // 二值化差异图像
    cv::Mat threshold_frame;
    cv::threshold(diff_frame, threshold_frame, 50, 255, CV_THRESH_BINARY);

    // 模糊处理
    cv::Mat blur_frame;
    cv::GaussianBlur(threshold_frame, blur_frame, cv::Size(5,5), 0);

    // 查找轮廓
    std::vector<std::vector<cv::Point>> contours;
    cv::findContours(blur_frame, contours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);

    // 绘制轮廓
    cv::Scalar color(0, 255, 0);
    for(unsigned int i = 0; i < contours.size(); i++)
    {
        cv::drawContours(frame, contours, i, color, 2);
    }

    // 更新前一帧
    prev_frame = gray_frame.clone();

    // 显示结果
    cv::imshow("Video", frame);
}

void MainWindow::on_actionOpen_triggered()
{
    // 打开视频文件
    QString filename = QFileDialog::getOpenFileName(this, tr("Open Video"), ".", tr("Video Files (*.avi *.mpg *.mp4)"));
    if(filename.isEmpty())
    {
        return;
    }

    cap.open(filename.toStdString());
    if(!cap.isOpened())
    {
        ui->statusBar->showMessage(tr("Cannot open video file!"));
        return;
    }

    // 启动定时器
    connect(&timer, SIGNAL(timeout()), this, SLOT(processFrame()));
    timer.start(30);
}

void MainWindow::on_actionExit_triggered()
{
    // 停止摄像头或视频
    cap.release();

    // 关闭窗口
    close();
}

该示例中，processFrame() 函数会被定时器定期调用，以捕获视频帧并处理。首先，将帧转换为灰度图像，然后计算与前一帧之间的差异。使用二值化和模糊处理来减少噪声，并查找轮廓以检测运动物体。最后，绘制轮廓并显示帧。

示例中还提供了一些其他功能，例如打开视频文件和退出应用程序的选项。用户可以使用菜单栏中的“文件”菜单来打开视频文件或退出应用程序。

请注意，该示例中的运动检测算法非常简单，并且可能不适用于所有情况。可以尝试使用其他算法或使用参数调整来优化结果。

c++ opencv trackerkcf

TrackerKCF 是 OpenCV 中的一个目标跟踪器，它基于 Kernelized Correlation Filters（KCF）算法实现。KCF 算法一种基于相关波器的目标跟踪算法，它可以在不同的场景下实现实时的目标跟踪。

使用 TrackerKCF 跟踪器，你可以在视频中实时跟踪目标的位置。以下是一个简单的示例代码，展示了如何使用 TrackerKCF 进行目标跟踪：

#include <opencv2/opencv.hpp>

int main() {
    cv::VideoCapture video("input.mp4");
    if (!video.isOpened()) {
        return -1;
    }

    cv::Mat frame;
    video.read(frame);

    cv::Rect2d roi = cv::selectROI(frame, false);
    cv::Ptr<cv::Tracker> tracker = cv::TrackerKCF::create();
    tracker->init(frame, roi);

    while (video.read(frame)) {
        bool ok = tracker->update(frame, roi);
        if (ok) {
            cv::rectangle(frame, roi, cv::Scalar(0, 255, 0), 2);
        } else {
            cv::putText(frame, "Tracking failure detected", cv::Point(100, 80), cv::FONT_HERSHEY_SIMPLEX, 0.75, cv::Scalar(0, 0, 255), 2);
        }

        cv::imshow("Object Tracking", frame);
        if (cv::waitKey(1) == 27) {
            break;
        }
    }

    video.release();
    cv::destroyAllWindows();

    return 0;
}

在这个示例中，我们首先从视频中读取一帧图像，并使用 `cv::selectROI` 函数选择目标的初始位置（使用鼠标拖动选择）。然后，我们创建一个 TrackerKCF 实例并使用 `init` 函数初始化跟踪器。之后，我们进入一个循环，不断读取视频的下一帧，并使用 `update` 函数更新目标的位置。最后，我们在图像上绘制目标的位置，并显示在窗口中。

请确保你已经正确安装了 OpenCV 库，并将示例代码中的 `input.mp4` 替换为你要跟踪的视频文件路径。希望这能帮到你！如果有任何问题，请随时问我。