在使用 OpenCV 进行图像处理时，二值化图像的最外侧点提取可以通过以下步骤实现：
- 读取图像：首先加载并转换为灰度图。
- 二值化处理：使用阈值处理将灰度图转为二值图。
- 轮廓检测：利用
findContours函数检测轮廓。 - 提取最外侧点：找到最大轮廓，并提取其边界点。
以下是一个简单的示例代码：
#include <opencv2/opencv.hpp>
#include <vector>
int main() {
// 读取图像
cv::Mat img = cv::imread("path_to_your_image.jpg");
if (img.empty()) {
std::cerr << "Error: Could not open or find the image!" << std::endl;
return -1;
}
// 转换为灰度图
cv::Mat gray;
cv::cvtColor(img, gray, cv::COLOR_BGR2GRAY);
// 二值化处理
cv::Mat binary;
cv::threshold(gray, binary, 127, 255, cv::THRESH_BINARY);
// 检测轮廓
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(binary, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
// 提取最大的轮廓
int largestContourIndex = -1;
double maxArea = 0;
for (size_t i = 0; i < contours.size(); i++) {
double area = cv::contourArea(contours[i]);
if (area > maxArea) {
maxArea = area;
largestContourIndex = i;
}
}
if (largestContourIndex != -1) {
// 绘制最外侧的点
for (const auto& point : contours[largestContourIndex]) {
img.at<cv::Vec3b>(point) = cv::Vec3b(0, 255, 0); // 将最外侧的点标记为绿色
}
// 显示结果
cv::imshow("Original Image", img);
cv::waitKey(0);
// 保存或进一步处理提取到的点 ...
} else {
std::cout << "No contour found!" << std::endl;
}
return 0;
}
注意事项：
- 确保安装了 OpenCV 库，并正确配置了开发环境。
- 替换
"path_to_your_image.jpg"为实际的图片路径。 - 根据需要调整阈值以获得最佳效果。
这个示例展示了如何获取二值化图像中的最大轮廓及其最外侧点。你可以根据自己的需求扩展功能，例如保存这些坐标或进行其他形态学操作。
内容由零声教学AI助手提供，问题来源于学员提问
![// 调用 zipImage 方法时
const zipBase64 = this.zipImage(images);
zipBase64返回的是Promise数据集，数据集中包含Base64数据，数据集格式如下：
imgStr1qwe Promise {<pending>}__proto__: Promise[[PromiseState]]:](https://linuxcpp.0voice.com/zb_users/upload/2023/05/202305162238408381987.png)
