python opencv 数米粒

1.介绍

opencv入门之数米粒：给出一幅米粒图数出图中米粒数目以及最大米粒位置。在原图上画出最大米粒的位置。并输出最大米粒的面积和最大米粒的周长。使用pycharm编码，亲测功能强大。

2.思路

首先利用opencv轮廓检测函数来分别提取每一个米粒，并计算出每个米粒的面积，然后对最大米粒求周长，最后在原图上标记最大米粒的位置，并且输出米粒信息。

3.预处理

opencv轮廓检测函数所需要的图像为二值化图片，所以在进行轮廓检测前，需要对图像进行预处理。预处理过程为：

(1).对图片进行灰度化：

• #打开图片 img=cv2.imread(‘Img/rice.jpg’,0) （-1为原图，0为强制灰度图，1为强制彩图）
• 灰度化函数gray=cv2.cvtColor(frame,cv2.COLOR_RGB2GRAY)

(2)获取去背景的米粒图
利用腐蚀膨胀，对原图进行5次腐蚀，然后进行5次膨胀，得到背景图
原图减去背景图可以得到去背景的米粒图

• 腐蚀：就像土壤侵蚀一样，这个操作会把前景物体的边界腐蚀掉（但是前景仍然 是白色）。这是怎么做到的呢？卷积核沿着图像滑动，如果与卷积核对应的原图 像的所有像素值都是 1，那么中心元素就保持原来的像素值，否则就变为零。

import import cv2
import numpy as np

#打开图片
img=cv2.imread('Img/rice.jpg',0)

#构造模板，5次腐蚀
kernel=np.ones((5,5),np.uint8)#构造5x5卷积核
erosion=cv2.erode(img,kernel,iterations=5)#进行5次腐蚀

• 膨胀：与腐蚀相反，与卷积核对应的原图像的像素值中只要有一个是 1，中心元 素的像素值就是 1。所以这个操作会增加图像中的白色区域（前景）。一般在去 噪声时先用腐蚀再用膨胀。因为腐蚀在去掉白噪声的同时，也会使前景对象变 小。

dilation=cv2.dilate(erosion,kernel,iterations=5) #进行5次膨胀

• 获取去背景的米粒图
  用原图减去5次腐蚀，5次膨胀后的背景图

#原图减去背景得到米粒形状
backImg=dilation
rice=img-backImg

去背景米粒效果图：

(3)图像二值化

• 简单阈值
  与名字一样，这种方法非常简单。但像素值高于阈值时，我们给这个像素 赋予一个新值（可能是白色），否则我们给它赋予另外一种颜色（也许是黑色）。 这个函数就是 cv2.threshhold()。这个函数的第一个参数就是原图像，原图 像应该是灰度图。第二个参数就是用来对像素值进行分类的阈值。第三个参数 就是当像素值高于（有时是小于）阈值时应该被赋予的新的像素值。OpenCV 提供了多种不同的阈值方法，这是有第四个参数来决定的。这些方法包括：
  cv2.THRESH_BINARY
  cv2.THRESH_BINARY_INV
  cv2.THRESH_TOZERO
  cv2.THRESH_TOZERO_INV

• OSTU全局阈值
  这里用到到的函数还是 cv2.threshold()，但是需要多传入一个参数 （flag）：cv2.THRESH_OTSU。这时要把阈值设为 0。然后算法会找到最 优阈值，这个最优阈值就是返回值 retVal。如果不使用 Otsu 二值化，返回的 retVal 值与设定的阈值相等。

#OSTU二值化，th1返回阈值，ret1返回二值化的结果图像
th1,ret1=cv2.threshold(rice,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

二值化效果图如下

4.轮廓分析

轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同 的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。 python3.x-opencv开发指导用书
(1) 轮廓提取

• 为了更加准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理 或者 Canny 边界检测。
• 查找轮廓的函数会修改原始图像。如果你在找到轮廓之后还想使用原始图 像的话，你应该将原始图像存储到其他变量中。
• 在 OpenCV 中，查找轮廓就像在黑色背景中超白色物体。你应该记住， 要找的物体应该是白色而背景应该是黑色。

**#轮廓检测，注意输出结果应有3个，其他著作上为2个输出结果，亲测错误**
ret1,contours,hierarchy=cv2.findContours(ret1,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

(2)轮廓数据

• 轮廓面积
  轮廓的面积可以使用函数 cv2.contourArea() 计算得到，也可以使用矩 （0 阶矩），M[‘m00’]。

cv2.contourArea(cnt)

• 轮廓周长
  也被称为弧长。可以使用函数 cv2.arcLength() 计算得到。这个函数 的第二参数可以用来指定对象的形状是闭合的（True），还是打开的（一条曲 线）。

cv2.arcLength(cnt,True)

(3)输出结果
遍历所有轮廓，比较轮廓数据，得出最大轮廓，并在原图上标注。
函数 cv2.drawContours() 可以被用来绘制轮廓。它可以根据你提供 的边界点绘制任何形状。它的第一个参数是原始图像，第二个参数是轮廓，一 个 Python 列表。第三个参数是轮廓的索引（在绘制独立轮廓是很有用，当设 置为 -1 时绘制所有轮廓）。接下来的参数是轮廓的颜色和厚度等。

#遍历得到最大面积的米粒
maxC=-1
maxS=-1
for cnt in contours:
    tempS=cv2.contourArea(cnt)
    if maxS<tempS:
        maxS=tempS
        maxC=tempC=cv2.arcLength(cnt,True)
        contour=cnt

#在img中画出最大面积米粒
cv2.drawContours(img,[contour],-1,(0,0,255,),1)

改变参数可以获取更好的效果

---

整体代码

import cv2
import numpy as np

#打开图片
img=cv2.imread('Img/rice.jpg',0)

#构造模板，5次腐蚀，5次膨胀，得到背景
kernel=np.ones((5,5),np.uint8)
erosion=cv2.erode(img,kernel,iterations=5)
dilation=cv2.dilate(erosion,kernel,iterations=5)

#原图减去背景得到米粒形状
backImg=dilation
rice=img-backImg

#OSTU二值化
th1,ret1=cv2.threshold(rice,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

#轮廓检测
ret1,contours,hierarchy=cv2.findContours(ret1,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

#遍历得到最大面积的米粒
maxC=-1
maxS=-1
for cnt in contours:
    tempS=cv2.contourArea(cnt)
    if maxS<tempS:
        maxS=tempS
        maxC=tempC=cv2.arcLength(cnt,True)
        contour=cnt

#在img中画出最大面积米粒
cv2.drawContours(img,[contour],-1,(0,0,255,),1)

cv2.imshow('image',rice)
print('面积最大：',maxS)
print('对应米粒周长：',maxC)
cv2.waitKey(0)
cv2.destroyAllWindows()