主要思路:
1.首先对全局增强后的图像进行归一化灰度化处理
2.对图像进行阈值二值化处理,此处选用阈值处理可较为容易根据图像特征进行阈值选取。
3.然后再进行膨胀腐蚀进行边缘检测,其中腐蚀cv2.erode主要是用卷积核对图片进行不对,当卷积区域内所有点与图片数值一直时置中心点为1,反之为0,而膨胀cv2.dilate为只要有一个点一致则置1,都不一致置0(具体这两个函数的介绍可以去搜一下)
其中关于倾斜矩形的检测可以使用此文中的方法进行切割:
https://blog.csdn.net/u010851059/article/details/116459843
最后放段源码大家可以试一下
import cv2
import numpy as np
# 读取图像
img = cv2.imread('1.jpg')
orig = cv2.resize(img, (0, 0), fx=0.25, fy=0.25, interpolation=cv2.INTER_NEAREST)
# 生成全局增强图
dst = cv2.applyColorMap(orig, cv2.COLORMAP_AUTUMN)
# 归一化灰度化
img = np.mean(orig,axis=2)#计算每个点的RGB像素均值
img = (img/np.max(img) *255).astype('uint8')#np.max则取整张图片的像素最大值
# 去噪
blur = cv2.GaussianBlur(img, (5,5), 0, 0, cv2.BORDER_DEFAULT)
# 二值化
im5 = np.where(blur[...] < 80, 0, 255)
im5 = im5.astype('uint8')
cv2.imshow("dat",im5)
# 腐蚀
kernel = np.ones((5,5),np.uint8)
im5 = cv2.erode(im5,kernel,iterations = 1)
cv2.imshow('result',im5)
# 去除外围影响
w,h = im5.shape
for i in range(w):
if(np.sum(im5[i,:])<(h/3)*255):
im5[0:i,:] = np.zeros_like(im5[0:i,:]) *255
break
for i in range(w-1,0,-1):
if(np.sum(im5[i,:])<(h/3)*255):
im5[i:w,:] = np.zeros_like(im5[i:w,:]) *255
break
for i in range(h):
if(np.sum(im5[:,i])<(w/3)*255):
im5[:,0:i] = np.zeros_like(im5[:,0:i]) *255
break
for i in range(h-1,0,-1):
if(np.sum(im5[:,i])<(w/3)*255):
im5[:,i:h] = np.zeros_like(im5[:,i:h]) *255
break
# 腐蚀
kernel = np.ones((5,5),np.uint8)
im5 = cv2.erode(im5,kernel,iterations = 3)
# cv2.imshow("img",im5)
# 膨胀
element = cv2.getStructuringElement(cv2.MORPH_RECT, (7,7))
dilation_img = cv2.dilate(im5, element, iterations=5)
# 伪彩色增强
for i in range(w):
for j in range(h):
if(dilation_img[i,j]==255):
orig[i,j,:] = dst[i,j,:]
# 轮廓提取
# contours, hierarchy = cv2.findContours(dilation_img.astype('uint8'), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("result1", orig)
cv2.waitKey(0)