C#描述-计算机视觉OpenCV（7）：MSER特征检测

基本概念

前文C#描述-计算机视觉OpenCV（6）：形态学描述了如何对图像的前后景特征形态进行检测与运算，本篇将分析基于形态的特征检测算法。MSER算法即最大稳定外部区域算法（Maximally Stable Extremal Regions），其基于分水岭的概念：对图像进行二值化，二值化阈值取[0, 255]，这样二值化图像就经历一个从全黑到全白的过程（就像水位不断上升的俯瞰图）。在这个过程中，有些连通区域面积随阈值上升的变化很小，这种区域就叫MSER。。其核心思想在于通过不断改变图像的灰度阈值，寻找在不同阈值下保持稳定性的区域，这些区域往往对应着图像中的文本或其他重要信息。
我们还是以本图为例进行操作，在这个场景下，我们尝试把猫作为特征区域结果来测试。

操作实例

MSER 类的实例可以通过create 方法创建。我们在初始化时指定被检测区域的最小和最大尺寸，以便限制被检测特征的数量，调用方式如下：：
MSER.Create(int delta, // 局部检测时使用的增量值，默认值5
int minArea, // 允许的最小面积，默认值60
int maxArea); // 允许的最大面积，默认值14400
然后我们通过DetectRegions来获得结果，结果会储存在一个点集容器和一个矩形容器：

MSER s=MSER.Create(5,5000,14400);//创建MSER检测器
OpenCvSharp.Point[][] outPoint;//点集容器
Rect[] rect;//矩形容器
s.DetectRegions(img1, out outPoint, out rect);//检测方法调用

这时候我们可以看下点集容器里的内容：

foreach(OpenCvSharp. Point[] pts in outPoint){foreach(OpenCvSharp.Point p in pts){img1.Circle(p, 1, Scalar.Black);}}

然后我们展示矩形的特征区域：

foreach (Rect r in rect){              img1.Rectangle(r, Scalar.White, 2);}

可以看到我们非常粗略的检测出了一些特征。
我们可以根据效果，对大小面积进行调整，来减少或者增加检测的敏感度。

效果优化

在上面的检测中，输出的第二项是一系列矩形，画出所有矩形就能表示检测的结果。但是这样
会画出许多矩形，使结果很不直观（区域之间还会互相包含，结果更加混乱）。对此，基本的优化方法为，对矩形的形态比例设置筛选要求，例如我们排除掉所有长宽比过大或者过小的长方形，来贴合所检测物（猫）大概的形态：

foreach (Rect r in rect){if ((double)r.Width / (double)r.Height <1.25&& (double)r.Width / (double)r.Height > 0.2){  img1.Rectangle(r, Scalar.White, 2);}}

效果图：

可以看到我们清楚的检测出了目标。
该算法还经常用于提取图片的文字区域，我们适当调小MSER创建的数值，我们取一个光线和前后景都较为复杂的图片来测试效果，

粗略的调整了下数值，可以看到基本对较为清晰的文字有了识别，如果继续减少局部增量值应该可以更为精确。