如何为多边形逼近确定cvCanny的最佳参数

Question

这是我的源图像（忽略点，稍后手动添加）：

我的目标是获得两只手的粗略多边形近似值。像这样：

我对如何做到这一点有一个大概的了解;我想使用cvCanny查找边，cvFindContours查找轮廓，然后cvApproxPoly。

我面临的问题是我不知道如何正确使用cvCanny，尤其是我应该对最后3个参数（threshold1＆amp; 2，apertureSize）使用什么？我试过了：

cvCanny(source, cannyProcessedImage, 20, 40, 3);

但结果并不理想。左手看起来相对较好，但右手检测得很少：

总的来说，它并不像我想的那么可靠。有没有办法猜测Canny的“最佳”参数，或者至少是一个详细的解释（初学者可以理解）他们做了什么，所以我可以做出有根据的猜测？或者也许还有一种更好的方法可以完成这项工作？

Answer 1

似乎你必须降低你的门槛。

Canny算法适用于滞后阈值：如果至少一个像素与最大阈值一样明亮，则选择一个轮廓，如果它们高于下限阈值，则选择所有连接的轮廓像素。

论文建议采用2：1 oe 3：1（例如10和30，或20和60等）的两个阈值。对于某些应用程序，手动和硬编码确定的阈值就足够了。也可能是你的情况。我怀疑如果你降低你的门槛，你会得到很好的结果，因为图像并不复杂。

已经提出了许多自动确定最佳精确阈值的方法。他们中的大多数依靠梯度幅度来估计最佳阈值。

<强>步骤：

• 提取渐变（Sobel是一个不错的选择）
• 您可以将其转换为uchar。渐变的渐变可以具有比255更大的数值，但是没关系。 opencv的索贝尔回归uchars。
• 制作所得图像的直方图。
• 将最大阈值设置为直方图的第95个百分位数，将较低阈值设置为高/ 3。
• 您应该根据您的应用调整百分位值，但结果将比硬编码的高值和低值更强大

注意：在Matlab中实现了一个优秀的阈值检测算法。它基于上面的想法，但有点复杂。

注意2 ：如果图像区域之间的轮廓和照明变化不大，此方法将起作用。如果轮廓在图像的一部分上更清晰，那么您需要局部自适应阈值，这是另一个故事。但是看着你的照片，情况应该不是这样。

Answer 2

也许最简单的解决方案之一就是在灰度图像上进行Otsu阈值处理，在二值图像上找到轮廓，然后近似它们。这是代码：

Mat img = imread("test.png"), gray;
vector<Vec4i> hierarchy;
vector<vector<Point2i> > contours;

cvtColor(img, gray, CV_BGR2GRAY);
threshold(gray, gray, 0, 255, THRESH_OTSU);
findContours(gray, contours, hierarchy, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);

for(size_t i=0; i<contours.size(); i++)
{
    approxPolyDP(contours[i], contours[i], 5, false);
    drawContours(img, contours, i, Scalar(0,0,255));
}

imshow("result", img);
waitKey();

这就是结果：