OpenCV实战 -- 维生素药片的检测记数

已于 2023-12-31 21:22:39 修改
阅读量3.6k 收藏 69
点赞数 52
分类专栏： OpenCV 文章标签： opencv 人工智能 计算机视觉
于 2023-12-31 21:02:17 首次发布
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/m0_74154295/article/details/134621904
版权

文章目录


读取图片
形态学处理
二值化
提取轮廓
获取轮廓索引，并筛选所需要的轮廓
画出轮廓，显示计数

检测记数

原图-》灰度化-》阈值分割-》形态学变换-》距离变换-》轮廓查找
在这里插入图片描述

原图

在这里插入图片描述

import cv2 as cv
import matplotlib.pyplot as plt

image = cv.imread('img/img.png')
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()
for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours, [contour], -1, (122, 55, 215), 2)
    # 标注轮廓序号
    cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()
print (len(contours))

在这里插入图片描述

经过操作

发现其具有粘连性，所以阈值分割、形态学变换等图像处理
在这里插入图片描述

开始进行消除粘连性–形态学变换

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

image = cv.imread('img/img.png')
gray_image= cv.cvtColor(image, cv.COLOR_BGR2GRAY)
kernel = np.ones((16, 16), np.uint8)
gray_image=cv.morphologyEx(gray_image, cv.MORPH_OPEN, kernel)
ret, binary = cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()
for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours, [contour], -1, (122, 55, 215), 2)
    # 标注轮廓序号
    cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()

print (len(contours))

在这里插入图片描述

总结实现方法

1. 读取图片：

import cv2

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)
cv2.waitKey(0)

2. 形态学处理：

import cv2
import numpy as np

# 形态学处理
kernel = np.ones((16, 16), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)
cv2.waitKey(0)

3. 二值化：

import cv2

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary_image = cv2.threshold(gray_image, 100, 255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)
cv2.waitKey(0)

4. 提取轮廓：

import cv2

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# 在原图上绘制轮廓
contour_image = image.copy()
cv2.drawContours(contour_image, contours, -1, (0, 255, 0), 2)
cv2.imshow("Contours", contour_image)
cv2.waitKey(0)

5. 轮廓筛选和计数：

import cv2

# 遍历轮廓
for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    if area < 500:
        continue
    
    # 获取轮廓的位置
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 在原图上绘制矩形
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # 在矩形位置写上计数
    cv2.putText(image, str(i), (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)

cv2.imshow("Count Result", image)
cv2.waitKey(0)

分水岭算法：

import cv2
import numpy as np

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)

# 形态学处理
kernel = np.ones((3, 3), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary_image = cv2.threshold(gray_image, 100, 255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# 统计药片数量并标记轮廓
count = 0
for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    if area < 500:
        continue
    
    # 获取轮廓的位置
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 在原图上绘制矩形
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # 在矩形位置写上计数
    cv2.putText(image, str(count), (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)
    
    count += 1

cv2.imshow("Count Result", image)
print("药片检测个数:", count)

cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

逐行解释

当然，让我们逐行解释上述代码：

import cv2
import numpy as np

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)
  • 导入OpenCV库和NumPy库。
  • 读取图片并显示原始图像。
# 形态学处理
kernel = np.ones((3, 3), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)
  • 定义一个3x3的矩形内核(kernel)。
  • 对原始图像进行形态学开运算，去除小的噪点和不重要的细节。
  • 显示形态学处理后的图像。
# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)
  • 将形态学处理后的图像转换为灰度图。
# 二值化
_, binary_image = cv2.threshold(gray_image, 100, 255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)
  • 对灰度图进行自适应阈值二值化，使用OTSU算法。
  • 显示二值化后的图像。
# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
  • 寻找二值化后图像中的外部轮廓。
# 统计药片数量并标记轮廓
count = 0
for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    if area < 500:
        continue
    
    # 获取轮廓的位置
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 在原图上绘制矩形
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # 在矩形位置写上计数
    cv2.putText(image, str(count), (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)
    
    count += 1

cv2.imshow("Count Result", image)
print("药片检测个数:", count)
  • 初始化药片计数为0。
  • 遍历所有找到的轮廓。
    • 如果轮廓的面积小于500，则跳过。
    • 获取轮廓的位置信息（矩形边界框）。
    • 在原图上绘制矩形，标记检测到的药片。
    • 在矩形位置写上计数。
    • 计数加1。
  • 显示标记了计数的结果图像，并输出药片检测个数。
cv2.waitKey(0)
cv2.destroyAllWindows()
  • 等待用户按下任意按键，然后关闭所有打开的窗口。

在基于距离变换的分水岭算法中，二值化操作是为了得到sure_fg（肯定是前景的区域），以便将其用作分水岭算法的标记点。这个过程涉及以下几步：

  1. 距离变换： 通过距离变换，我们得到了一个灰度图，其中像素值表示每个像素到最近的零像素点的距离。这个距离图范围是浮点数，通常需要进行归一化。

    dist_transform = cv2.distanceTransform(binary_image, cv2.DIST_L2, 3)

  2. 归一化： 将距离变换后的图像进行归一化，使其范围在0到1之间。

    normalized_distance = cv2.normalize(dist_transform, 0, 1, cv2.NORM_MINMAX)

  3. 再次二值化： 对归一化后的图像进行二值化，以获取肯定是前景的区域。这是通过设置一个阈值，将距离较大的区域认定为前景。

    _, sure_fg = cv2.threshold(normalized_distance, 0.4, 1, cv2.THRESH_BINARY)

这样，sure_fg 中的像素值为 1 的区域就被认为是明确的前景区域，而不是可能的边界区域。这种区域将被用作分水岭算法的种子点。

你会魔法吗✧(≖ ◡ ≖✿)
关注
  • 52
    点赞
  • 踩
  • 69
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 39
    评论
专栏目录
OpenCV-Python实战（1）——OpenCV简介与图像处理基础
盼小辉丶的博客
08-10 20万+
OpenCV 是一个的跨平台计算机视觉库，可以运行在 Linux、Windows 和 Mac OS 操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时也提供了 Python 接口，实现了图像处理和计算机视觉方面的很多通用算法。在本文中，将介绍 OpenCV 库，包括它的主要模块和典型应用场景，同时使用 OpenCV-Python 实战讲解图像处理基础要点。
C++ 实现 OpenVINO样板Demo
04-21
https://blog.csdn.net/Nine_Yao/article/details/124324526
opencv实战 - 银行卡数字识别项目
05-25
利用opencv进行图像处理，并进行银行卡的数字识别。项目内会调用opencv库，利用库函数进行识别。语言 python,运行环境pycharm
OpenCvSharp-4.0.0-x86-20181130.zip
01-12
OpenCvSharp-4.0.0-x86 C# Opencv开发
项目实战-实战OpenCV戴口罩检测
最新发布
12-20
是否戴口罩的检测是在疫情期间一个很重要的任务，即使是现在疫情过去了，在某些特殊的场合也还是用得到摄像头自动化的戴口罩检测。这里提供的是 "实战 OpenCV 戴口罩检测"，后面还会陆续提供基于 pytorch、基于 tensorflow、基于 paddle、基于 caffe、基于 mxnet、基于 keras 版本的实战戴口罩检测项目。这样，一方面可以直接带来这个任务的解决方案，另外还能熟悉熟悉不同的深度学习框架。堪称 "八错"。 其实这个项目本身比较简单，主要使用到了 OpenCV 的 dnn 库，具体是使用的 dnn 库调的 caffe 模型进行检测。而这其实也提供了一种部署思路：caffe 训练出 .caffemodel 和 .prototxt，然后用 OpenCV dnn 库来做部署。项目提供完整的代码，包括推理代码、一键执行脚本、caffe 模型与模型权重、待检测的图片、检测后的效果图等。 推荐下载体验。
height recgnition.zip_open_open cv_视觉检测身高_计算机视觉_身高识别
07-15
基于open cv，利用计算机视觉算法检测图片中人体身高
OpenCV MobileNet-SSD目标检测
09-12
OpenCV DNN部署 MobileNet-SSD CUDA加速，最高帧率可以达到300帧，不使用CUDA加速最高帧率可以到达60帧左右。。资源包含了SSD网络的模型文件MobileNetSSD_deploy.caffemodel、配置文件MobileNetSSD_deploy.prototxt，下载之后可以直接运行哦！ ​​
opencv实战---对象检测（SSD+DNN）
m0_57224196的博客
10-05 2821
在这个项目里，不用训练，只用CPU，采用opencv+SSD+深度神经网络DNN的方法做到物体检测，在准确率和速度上面都十分可观。
卸载 opencv-contrib-python and opencv-python
热门推荐
既然选择了远方 便只顾风雨兼程 - 永强
08-04 1万+
卸载 opencv-contrib-python and opencv-python
opencv实战---角度测量
m0_57224196的博客
10-02 1920
使用opencv进行角度测量，而且找到识别不了钝角和直角的原因。
opencv实战——机器视觉检测和计数
明月清风@的博客
05-17 2955
引言 在机器视觉中，有时需要对产品进行检测和计数。其难点无非是对于产品的图像分割。 由于之前网购的维生素片，有时候忘了今天有没有吃过，就想对瓶子里的药片计数...在学习opencv以后，希望实现对于维生素片分割计数算法。本次实战在基于形态学的基础上又衍生出基于距离变换的分水岭算法，使其实现的效果更具普遍性。 基于形态学的维生素片检测和计数 ????整体思路： 读取图片 形态学处理(在二值化前进行适......
基于YOLOv8实现OpenVINO推理示例（源码）.rar
05-09
1、资源内容：基于YOLOv8实现OpenVINO推理示例（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
python open-cv实现智能自动抠图
05-14
课程设计基于python opencv实现自动抠图，程序简单易懂
基于Opencv-python人脸口罩检测
12-24
首先进行图片的读取，使用opencv的haar鼻子特征分类器，如果检测到鼻子，则证明没有戴口罩。如果没有检测到鼻子，接着使用opencv的haar眼睛特征分类器，如果没有检测到眼睛，则结束。如果检测到眼睛，则把RGB颜色空间转为HSV颜色空间。进行口罩区域的检测。口罩区域检测流程是首先把距离坐标原点的较近的横坐标作为口罩区域开始横坐标，离坐标原点较远的横坐标作为口罩区域结束横坐标。离坐标原点较远的纵坐标作为口罩区域开始纵坐标，离坐标原点较远的纵坐标与眼睛高度2倍的和作为口罩区域结束纵坐标。
window.open()实现post传递参数
09-03
本文主要向大家介绍了如何使用window.open()实现post传递参数的方法，思路是参考的一位网友的，然后根据自己的项目需求做了些调整，这里同样分享给大家，希望对大家能够有所帮助。
opencv实战---使用TesseractOCR进行文字识别
m0_57224196的博客
10-01 5808
这篇就讲解一下软件安装、使用自带的识别库识别常规的英文字符、英文单词、数字。
【OpenCV--边缘检测】
m0_70964767的博客
10-15 1万+
Sobel边缘检测算法相对简单，实际应用时效率比canny要高，但是没有其精确，Sobel算子是高斯平滑和微分操作的结合体，其抗噪声能力强，当对效率要求较高，而对细纹理不太关心时，普遍应用Sobel算子。1>基于搜索：通过寻找图像一阶导数中最大值来检测边界利用计算结果估计边缘局部方向，通常采用梯度方向，利用此方向找到局部梯度模最大值，代表算法是Sobel算子和Scharr算子。根据得到的这两幅梯度，找到边界梯度和方向。ksize:卷积核大小，为奇数，默认是3，当为-1时，演变成3*3Scharr算子。
opencv---曲线断点检测（八邻域断点检测）
qq_44936246的博客
08-24 4835
曲线断裂检测，激光照射
Python配置opencv和opencv-contrib
gz7seven
02-09 7997
Python3.6没有办法下载opencv3.4.1及以下版本，而opencv3.4.2以上的opencv设计专利问题，有一些函数无法使用。因此，我们有两个方法来解决一些函数无法调用问题。 降低Python的版本，但是降低版本依然会遇到其他配置问题，如配置TensorFlow和PyTorch等； 安装与opencv相对应的opencv-contrib； 我采用第二种方法，安装opencv3.4.2与对应的opencv-contrib库。具体安装如下： 打开cmd直接，分别按照以下步骤安装即可： pip
OpenCV--关键点检测
06-08
OpenCV是一个开源计算机视觉库，其中提供了许多图像处理和计算机视觉的算法。其中关键点检测是其中一个非常重要的算法，可以用来检测图像中的特定区域或者物体。 OpenCV中有多个关键点检测算法，其中比较常用的包括SIFT、SURF、ORB等。这些算法都是基于图像局部特征的检测方法，通过寻找图像中的关键点并计算其描述子（即特征向量），来实现图像的匹配、识别等任务。 在使用OpenCV进行关键点检测时，通常需要先对图像进行预处理，如调整图像大小、转换颜色空间等。然后，可以调用OpenCV提供的相应函数，如cv::SIFT、cv::SURF、cv::ORB等，来进行关键点检测。最后，可以使用检测到的关键点进行后续的图像处理和分析。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 39
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

打赏作者

你会魔法吗✧(≖ ◡ ≖✿)

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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