初识图像处理：从入门到改行（4）

最新推荐文章于 2022-06-13 21:46:43 发布
最新推荐文章于 2022-06-13 21:46:43 发布
阅读量196 收藏 1
点赞数
分类专栏： 学习记录 文章标签： python opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/heguu/article/details/110392989
版权

答题卡识别

很简单的一个任务！
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
目标是识别选项，根据正确答案打分

经典两件套

import cv2
import numpy as np

def imshow(img):
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

自定义一下正确答案

answer = [2,3,1,3,4]

读取图片，转换成灰度图，高斯滤波去噪，二值化

img_rgb = cv2.imread(r'images\test_05.png')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
img_gray = cv2.GaussianBlur(img_gray,(3,3),1)
# 自适应二值化，并取反
img_binary = cv2.threshold(img_gray,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)[1]
imshow(img_binary)

在这里插入图片描述
定位答题卡

# 获取轮廓，cv2.CHAIN_APPROX_SIMPLE只保留起点终点
contours = cv2.findContours(img_binary.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)[0]

# 先定位答题卡

# 按周长大小排序
contours = sorted(contours,key= lambda x:cv2.arcLength(x,True))
# 宽和高大于0.4倍，小于0.95整个图片的第一个视作答题卡
for contour in contours:
    x,y,w,h, = cv2.boundingRect(contour)
    if w>img_gray.shape[1]*0.4 and w<img_gray.shape[1]*0.95:
        if h>img_gray.shape[0]*0.4 and w<img_gray.shape[0]*0.95:
            break

img_1 = img_rgb.copy()
cv2.drawContours(img_1,[contour],-1,(255,255,0),2)
imshow(img_1)
# 将答题卡用四边形近似
# 将阈值设定为0.01倍的矩形周长，True表示闭合
epsilon = 0.01*cv2.arcLength(contour,True)
# 直线近似
contour = cv2.approxPolyDP(contour,epsilon,True)

透视变换，提取答题卡


'''
对答题卡进行视角转换 并提取答题卡
'''
# 轮廓的点不规律 对轮廓的点进行排序
# 此时contour 是个 （4，1，2)数组 reshape成（4，2) 方便访问
contour = contour.reshape(4,2)
K_input = np.zeros((4,2),dtype = 'float32')
# 行方向求和 即每个坐标x,y相加
# 左上角值最小 右下角值最大 
sum = np.sum(contour,axis=1)
K_input[2] = contour[np.argmax(sum)]
K_input[0] = contour[np.argmin(sum)]

# 行方向求差 右上角最小
dif = np.diff(contour,axis=1)
K_input[1] = contour[np.argmin(dif)]
K_input[3] = contour[np.argmax(dif)]

# 计算宽度和高度 透视变换要用
# widthA下底 widthB上底
(tl, tr, br, bl) = K_input
widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
w = max(int(widthA), int(widthB))

heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
h = max(int(heightA), int(heightB))

# 透视变换后的输出大小 -1防止过界
output = np.array([
    [0,0],
    [w-1,0],
    [w-1,h-1],
    [0,h-1]
    ],dtype = "float32")

# 变换矩阵K 输入必须都是float32类型
# K矩阵的输入坐标 是 视角变换函数输入img 中 对应要变换部分 的坐标
# K矩阵的output 是输出的四个坐标
# 视角变换函数的 img要和K 的输入坐标对应 （w,h)是输出图像的宽和高的大小
K = cv2.getPerspectiveTransform(K_input,output)
card_rgb = cv2.warpPerspective(img_rgb,K,(w,h))

imshow(card_rgb)

在这里插入图片描述
提取所有选项

'''
提取各个选项，筛选
'''
card_gray = cv2.cvtColor(card_rgb,cv2.COLOR_BGR2GRAY)
card_gray = cv2.GaussianBlur(card_gray,(3,3),1)

# 自适应二值化，并取反
card_binary = cv2.threshold(card_gray,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)[1]
# 获取轮廓，cv2.CHAIN_APPROX_SIMPLE只保留起点终点
contours = cv2.findContours(card_binary.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[0]

card_0 = card_rgb.copy()
cv2.drawContours(card_0,contours,-1,(0,255,0),2)
imshow(card_0)

# 筛选
conts = []
for contour in contours:
    x,y,w,h = cv2.boundingRect(contour)
    if abs(w/float(h)-1) < 0.2:
        if w>20:
            conts.append(contour)


card_1 = card_rgb.copy()
cv2.drawContours(card_1,conts,-1,(255,255,0),2)
imshow(card_1)

在这里插入图片描述
按顺序读取选项，对答案
先按y的均值排序，分出每一行的5个
再逐行排序分出abcde

'''
按顺序读取每一个选项，对答案
'''
# conts 是由轮廓组成的list
# 轮廓是一个（n,1,2)的数组，reshape成（n,2) 按y的均值排序
conts = sorted(conts,key = lambda x:np.sum(x.reshape(-1,2)/x.shape[0],axis=0)[1])
# 再按每5个一组 按y的均值排序
predict=[]

# 遍历每行
for i in range(int(len(conts)/5)):
    # 第一个存值，第二个存选项，第三个存轮廓的索引
    number = (0,0,0)
    # 按x的均值排序
    conts[i*5:5+i*5] = sorted(conts[i*5:5+i*5],key = lambda x:np.sum(x.reshape(-1,2)/x.shape[0],axis=0)[0])
    # 每一个选项 找到白色点最多的选项，视作所选答案
    for j in range(5):
        # 掩模
        mask = np.zeros_like(card_binary)
        # 最后一个-1的位置是线的宽度，-1表示填充轮廓 掩模只有该选项是亮着的
        cv2.drawContours(mask,[conts[i*5+j]],-1,255,-1)
        # 与之后其他选项都是黑色
        result = cv2.bitwise_and(card_binary,mask)
        # 计算白色点的数量，最多的视作选择的答案保存
        total = cv2.countNonZero(result)
        if total > number[0]:
        	# 第一个存值，第二个存选项，第三个存轮廓的索引
            number = (total,j,i*5+j)

    predict.append(number)
correct =0
'''
for cont in conts: 
    card_1 = card_rgb.copy()
    cv2.drawContours(card_1,[cont],-1,(255,255,0),2)
    imshow(card_1)
'''

计算分数 并显示

# 计算分数
for (i,ans) in enumerate(predict):
    if ans[1] == answer[i]:
        correct +=1
grade = int(correct/len(answer)*100)

card_1 = card_rgb.copy()
correct = 0
# 遍历预测的选项 对答案
for (i, ans) in enumerate(predict):
    # 把正确答案和所选答案画出来
    cv2.drawContours(card_1, [conts[ans[2]]], -1, (0, 0, 255), 2)
    cv2.drawContours(card_1, [conts[answer[i] + i * 5]], -1, (0, 255, 0), 2)
    if ans[1] == answer[i]:
        correct += 1
grade = int(correct / len(answer) * 100)
# 分数画出来
cv2.putText(card_1, 'score:' + str(grade), (0, 50), cv2.FONT_HERSHEY_PLAIN, 2, (255, 255, 0), 2)
imshow(card_1)

在这里插入图片描述
很简单的一个任务，很适合练手
可以自己保存图片试试
所有代码如下

import cv2
import numpy as np

def imshow(img):
    cv2.imshow('img',img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 定义下正确答案
answer = [2,3,1,3,4]


img_rgb = cv2.imread(r'images\test_01.png')
img_gray = cv2.cvtColor(img_rgb,cv2.COLOR_BGR2GRAY)
img_gray = cv2.GaussianBlur(img_gray,(3,3),1)

# 自适应二值化，并取反
img_binary = cv2.threshold(img_gray,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)[1]
imshow(img_binary)

# 获取轮廓，cv2.CHAIN_APPROX_SIMPLE只保留起点终点
contours = cv2.findContours(img_binary.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)[0]
# 按周长大小排序
contours = sorted(contours,key= lambda x:cv2.arcLength(x,True))
# 先定位答题卡
# 宽和高大于0.4倍，小于0.95整个图片的第一个视作答题卡
for contour in contours:
    x,y,w,h, = cv2.boundingRect(contour)
    if w>img_gray.shape[1]*0.4 and w<img_gray.shape[1]*0.95:
        if h>img_gray.shape[0]*0.4 and w<img_gray.shape[0]*0.95:
            break

img_1 = img_rgb.copy()
cv2.drawContours(img_1,[contour],-1,(255,255,0),2)

# 将答题卡用四边形近似
# 将阈值设定为0.01倍的矩形周长，True表示闭合
epsilon = 0.01*cv2.arcLength(contour,True)
# 直线近似
contour = cv2.approxPolyDP(contour,epsilon,True)

'''
对答题卡进行视角转换 并提取答题卡
'''
# 轮廓的点不规律 对轮廓的点进行排序
# 此时contour 是个 （4，1，2)数组 reshape成（4，2) 方便访问
contour = contour.reshape(4,2)
K_input = np.zeros((4,2),dtype = 'float32')
# 行方向求和 即每个坐标x,y相加
# 左上角值最小 右下角值最大 左上角为[0]
sum = np.sum(contour,axis=1)
K_input[2] = contour[np.argmax(sum)]
K_input[0] = contour[np.argmin(sum)]

# 行方向求差 右上角最小
dif = np.diff(contour,axis=1)
K_input[1] = contour[np.argmin(dif)]
K_input[3] = contour[np.argmax(dif)]

# 计算宽度和高度 透视变换要用
# widthA下底 widthB上底
(tl, tr, br, bl) = K_input
widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
w = max(int(widthA), int(widthB))

heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
h = max(int(heightA), int(heightB))

# 透视变换后的输出大小 -1防止过界
output = np.array([
    [0,0],
    [w-1,0],
    [w-1,h-1],
    [0,h-1]
    ],dtype = "float32")

# 变换矩阵K 输入必须都是float32类型
# K矩阵的输入坐标 是 视角变换函数输入img 中 对应要变换部分 的坐标
# K矩阵的output 是输出的四个坐标
# 视角变换函数的 img要和K 的输入坐标对应 （w,h)是输出图像的宽和高的大小
K = cv2.getPerspectiveTransform(K_input,output)
card_rgb = cv2.warpPerspective(img_rgb,K,(w,h))

imshow(card_rgb)


'''
提取各个选项
'''
card_gray = cv2.cvtColor(card_rgb,cv2.COLOR_BGR2GRAY)
card_gray = cv2.GaussianBlur(card_gray,(3,3),1)

# 自适应二值化，并取反
card_binary = cv2.threshold(card_gray,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)[1]
# 获取轮廓，cv2.CHAIN_APPROX_SIMPLE只保留起点终点
contours = cv2.findContours(card_binary.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[0]

card_0 = card_rgb.copy()
cv2.drawContours(card_0,contours,-1,(0,255,0),2)
imshow(card_0)


# 筛选
conts = []
for contour in contours:
    x,y,w,h = cv2.boundingRect(contour)
    if abs(w/float(h)-1) < 0.2:
        if w>20:
            conts.append(contour)


card_1 = card_rgb.copy()
cv2.drawContours(card_1,conts,-1,(255,255,0),2)
imshow(card_1)
'''
按顺序读取每一个选项，对答案
'''
# conts 是由轮廓组成的list
# 轮廓是一个（n,1,2)的数组，reshape成（n,2) 按y的均值排序
conts = sorted(conts,key = lambda x:np.sum(x.reshape(-1,2)/x.shape[0],axis=0)[1])
# 再按每5个一组 按y的均值排序
predict=[]

# 遍历每一题，即每行
for i in range(int(len(conts)/5)):
    # 第一个存值，第二个存选项，第三个存轮廓的索引
    number = (0,0,0)
    # 按x的均值排序
    conts[i*5:5+i*5] = sorted(conts[i*5:5+i*5],key = lambda x:np.sum(x.reshape(-1,2)/x.shape[0],axis=0)[0])
    # 每一个选项 找到白色点最多的选项，视作所选答案
    for j in range(5):
        # 掩模
        mask = np.zeros_like(card_binary)
        # 最后一个-1是线的宽度，-1表示填充轮廓 掩模只有该选项是亮着的,第一个-1表示所有轮廓
        cv2.drawContours(mask,[conts[i*5+j]],-1,255,-1)
        # 与之后其他选项都是黑色
        result = cv2.bitwise_and(card_binary,mask)
        # 计算白色点的数量，最多的视作选择的答案保存
        total = cv2.countNonZero(result)
        if total > number[0]:
            number = (total,j,i*5+j)

    predict.append(number)
correct =0
'''
for cont in conts: 
    card_1 = card_rgb.copy()
    cv2.drawContours(card_1,[cont],-1,(255,255,0),2)
    imshow(card_1)
'''

'''
计算分数并显示
'''

# 计算分数
for (i,ans) in enumerate(predict):
    if ans[1] == answer[i]:
        correct +=1
grade = int(correct/len(answer)*100)

card_1 = card_rgb.copy()
correct = 0
# 遍历预测的选项 对答案
for (i, ans) in enumerate(predict):
    # 把正确答案和所选答案画出来
    cv2.drawContours(card_1, [conts[ans[2]]], -1, (0, 0, 255), 2)
    cv2.drawContours(card_1, [conts[answer[i] + i * 5]], -1, (0, 255, 0), 2)
    if ans[1] == answer[i]:
        correct += 1
grade = int(correct / len(answer) * 100)
# 分数画出来
cv2.putText(card_1, 'score:' + str(grade), (0, 50), cv2.FONT_HERSHEY_PLAIN, 2, (255, 255, 0), 2)
imshow(card_1)
何顾长安
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
初识图像处理：从入门到改行（1）
heguu的博客
11-03 317
一个人靠着csdn在图像处理里摸爬滚打快一个月，大部分时间都在摸鱼。今天朋友圈看见一张图片，征得po主的同意，拿来检验一下最近摸鱼的成果。 右上角的反光让本强迫症很不爽，得想办法干它一炮。 先把这一块给扣下来 RGB = imread('4.png'); [m,n,p]=size(RGB);% size返回列长，行长度，m行n列 figure(1),imshow(RGB),title('原图'), hold on ,h = impixelinfo;% 用鼠标确定一下坐标 %画出来看一哈对不对 plot(x
利用python selenium＋cv2破解qq空间登录滑动验证码(无法获得完整图情况)(上)
qq_31436871的博客
03-06 3761
之前动手用python写了一个qq空间自动点赞的脚本,登录方法采用的是selenium获取网页截图然后返回二维码截图,用手机qq扫一扫进行登录. 然后又用flask简单的写成了网页,放到了自己的服务器上,这样每次只需要输入网址就会弹出二维码,手机qq扫一扫便可以登录,十分方便. 但由于qq空间的机制,cookie有效期为48小时.因此就必须每两天进行一次登录(有邮箱提醒).虽然还算比较方便,但...
OpenCv 从零开始第九天笔记 人脸轮廓替换
mrnull90的博客
06-13 722
人脸轮廓识别替换
方格取数问题
qq_39523236的博客
07-21 373
方格取数问题 有一个m行n列的方格图，每个方格中都有一个正整数。现要从方格中取数，使任意两个数所在方格没有公共边，且取出的数的总和最大，请求出最大的和。 数据范围1<=n,m<=100 把这个最小割的题补了 网络流的题最难的还是在于建模。在这个题目中，首先我们假设所有的数都取出来了，然后放弃一部分数来使其合法。因为相邻的两个点不能同时取，所以它们之前的边容量应该是inf，根据行与列之和的奇偶性，可以将原图转化为一个二分图，源点向其中一边的点连接容量为a[i][j]的边，另一边向汇点连接容量为
Contours轮廓
abc20002929的专栏
09-28 3670
1 找轮廓findContours 
从初识C语言到C语言进阶源码.zip
最新发布
10-18
《从初识C语言到C语言进阶源码》是一个针对C语言学习者的全面资源包，旨在帮助初学者从基础入门逐步提升至高级编程技能。这个压缩包包含了一个名为"c-language-master"的项目目录，我们可以从这个目录结构中推测出一...
初识图像处理软件.ppt
10-25
课件资源，PS专业处理软件，对初学者必备的学习资源
【图像处理】初识计算机视觉
01-07
初识计算机视觉 为什么我们要学习计算机视觉？ 图像信息无处不在 快速发展的应用领域 3D重建 目标检测与识别-OCR，人脸、指纹、虹膜 无人驾驶汽车 机器人 智慧医疗 体感交互、AR、VR … 3D重建： 遗迹的三维重建 ...
JavaWeb从入门到精通PPT.zip
06-19
《JavaWeb从入门到精通》是一本全面介绍JavaWeb开发技术的教程，涵盖了从基础知识到高级应用的全方位内容。这份PPT合集包含了从第1章到第21章的全部教学材料，旨在帮助初学者逐步掌握JavaWeb编程，并提升至精通水平...
Flask从入门到精通_01_初识Flask
06-21
以上只是Flask入门的基础内容，深入学习还包括错误处理、蓝本（Blueprints）用于组织大型应用、会话管理、测试等。随着对Flask的了解不断深入，你会发现它是一个功能强大且易于上手的Web框架，适用于各种规模的项目...
OpenCv--轮廓发现
qq_39861376的博客
08-29 726
轮廓发现 前言：         当我们通过阈值分割提取到图像中的目标物体后，我们就需要通过边缘检测来提取目标物体的轮廓，使用这两种方法基本能够确定物体的边缘或者前景。接下来，我们通常需要做的是拟合这些边缘的前景，如拟合出包含前景或者边缘像素点的最小外包矩形、圆、凸包等几何形状，为计算它们的面积或者模板匹配等操作打下坚实的基础。 一、查找、绘制轮廓       首先了解一下轮廓的定义。一个...
python学习1（sorted对字典类型的排序）
热门推荐
deeplearningbo的博客
08-07 1万+
字典键值对都是变量时的sorted排序 sort是list的方法，sorted对可迭代的序列都可以排序，所以对list，dict都可以排序，本文着重讲解字典下key和value都是变量下的排序，并附上工程时的代码 2018-08-07 背景 在做图像处理时，想找到截取图片轮廓内的部分占截取图片的最佳比例，这里用到了sorted排序 代码使用 def bili(img): ...
OpenCV获取边界框，最小矩形区域和最小闭圆的轮廓
lxiao428的博客
01-15 6154
import cv2 import numpy as np #边界框，最小矩形区域和最小闭圆的轮廓 '''cv2.pyrUp()和cv2.pyrDown()用于构建图像金字塔 一般情况下，我们要处理是一副具有固定分辨率的图像,但是有些情况下， 需要对同一图像的不同分辨率的子图像进行处理。 比如，我们要在一幅图像中查找某个目标，比如脸，我们不知道目标在图像中的尺寸大小, 这种情况下，我们...
Opencv每日函数 图像分割模块 watershed分水岭算法
学以致用 知行合一
10-18 1147
任何灰度图像都可以看作是一个地形表面，其中高强度表示峰和丘陵，而低强度表示山谷。您开始用不同颜色的水（标签）填充每个孤立的山谷（局部最小值）。随着水位的上升，根据附近的山峰（梯度），来自不同山谷的水，显然具有不同的颜色将开始合并。为避免这种情况，您可以在水合并的位置建立障碍。你继续注水和建造障碍物，直到所有的山峰都被淹没。然后，您创建的障碍会为您提供分割结果。这就是分水岭背后的“哲学”。您可以访问分水岭上的 CMM 网页，借助一些动画来了解它。............
基于OpenCV的findContours查找图像连通域，并进行排序
AMG_GT的博客
06-21 7750
#include &lt;opencv2/legacy/legacy.hpp&gt; #include &lt;opencv2/opencv.hpp&gt; #include &lt;vector&gt; using namespace std; using namespace cv; //对每条连通域上的各点根据y从小到大进行排序 void SortContourPoi...
Python-OpenCV 笔记6 -- 轮廓（Contours）
Wang_Jiankun的博客
10-10 7876
Python-OpenCV 笔记6 – 轮廓（Contours） 1、查找轮廓 findContours 函数原型 image, contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]]) 参数： image：8位单通道二值图，如果为灰度图非0值为1 mode：...
python keras_Python 3 & Keras 实现Mobilenet v2
weixin_39595537的博客
12-10 320
MobileNet是Google提出来的移动端分类网络。在V1中，MobileNet应用了深度可分离卷积(Depth-wise Seperable Convolution)并提出两个超参来控制网络容量，这种卷积背后的假设是跨channel相关性和跨spatial相关性的解耦。深度可分离卷积能够节省参数量省，在保持移动端可接受的模型复杂性的基础上达到了相当的高精度。而在V2中，MobileNet应用...
基于OpenCV的条形码区域分割
小白学视觉
10-08 2121
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本期，我们将一起学习如何从图像中提取出含有条形码的区域。下面的代码，我们将在Anaconda中采用P...
opencv笔记二十九（轮廓发现）findContours(t2, contour, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));
C++养成记
07-14 9746
  API： cv::findContours( //发现轮廓 InputOutputArray  binImg, // 输入图像，非0的像素被看成1,0的像素值保持不变，8-bit  OutputArrayOfArrays  contours,// 全部发现的轮廓对象，                                                        /...
Hadoop大数据处理：从入门到精通
在第一章节“初识Hadoop”中，作者首先解释了为何要学习Hadoop。随着信息化项目的不断演进，数据量爆炸性增长，传统数据处理方式已无法满足需求，这催生了Hadoop的诞生。书中列举了一些Hadoop的成功应用案例，如...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值