OpenCV+Python简单实践之硬币检测以及条形码检测

一、简单图片格式

1.位图

把一张彩色图片分别保存为 32位、16位彩色和256色、16色、单色的位图
notepad打开位图
img1.bmp单色位图
文件头如图

img16.bmp16色位图
img256.bmp256色位图
img16rgb16位彩图

img32rgb32位彩图

位图大小计算公式为；长×高×位深度
比如下面的图，可以计算得大小约为（220×220×16）/8/1024=94.53125kb，不包括文件头等其他信息。
0~1 两个字节为文件类型，0x4d42为固定BM
2~5 四个字节为文件大小，0x184e，即6222
6~9 四个字节为保留字段，全0
a~d 四个字节为从文件头到实际的位图数据的偏移字节数
12~15 四个字节表示图片宽度，0xdc为220
16~19 四个字节表示图片高度，0xdc为220
1a~1b 两个字节，恒定为0x1
1c~1d 两个字节表示像素占的比特，这里为0x1即两种颜色，16色为0x4即16种颜色，256色为0x8即256种颜色
1e~21 四个字节表示图片是否压缩，0x0表示不压缩
22~25 四个表示图像大小，0x1810为6160
26~29 四个字节表示水平分辨率
2a~2d 四个字节表示垂直分辨率
23~31 四个字节表示实际使用的颜色索引数
32~35 四个字节表示重要的颜色索引数

可以发现文件头一共占40个字节，为十六进制。
对于不同的图片，文件大小、长、宽、像素占比都不同。

2.文件压缩比

分别保存jpg，png，gif，bmp四种格式的图片，原图为24位img.bmp，大小为468kb。
经过jpg转换后大小变为22.6kb，压缩率在5%
经过gif转换后大小变为10.9kb，压缩率在3%
经过png转换后大小变为74.1kb，压缩率在16%
经过256色位图转换后大小变为157kb，压缩率在36%
当然，这里的图片空白部分偏多，压缩率很低。

二、用奇异值分解（SVD）对一张图片进行特征值提取（降维）处理

1.代码

import numpy as np
import os
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib as mpl
from pprint import pprint


def restore1(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K):
        uk = u[:, k].reshape(m, 1)
        vk = v[k].reshape(1, n)
        a += sigma[k] * np.dot(uk, vk)
    a[a < 0] = 0
    a[a > 255] = 255
    # a = a.clip(0, 255)
    return np.rint(a).astype('uint8')


def restore2(sigma, u, v, K):  # 奇异值、左特征向量、右特征向量
    m = len(u)
    n = len(v[0])
    a = np.zeros((m, n))
    for k in range(K+1):
        for i in range(m):
            a[i] += sigma[k] * u[i][k] * v[k]
    a[a < 0] = 0
    a[a > 255] = 255
    return np.rint(a).astype('uint8')


if __name__ == "__main__":
    A = Image.open("./lena.jpg", 'r')
    print(A)
    output_path = r'./SVD_Output'
    if not os.path.exists(output_path):
        os.mkdir(output_path)
    a = np.array(A)
    print(a.shape)
    K = 50
    u_r, sigma_r, v_r = np.linalg.svd(a[:, :, 0])
    u_g, sigma_g, v_g = np.linalg.svd(a[:, :, 1])
    u_b, sigma_b, v_b = np.linalg.svd(a[:, :, 2])
    plt.figure(figsize=(11, 9), facecolor='w')
    mpl.rcParams['font.sans-serif'] = ['simHei']
    mpl.rcParams['axes.unicode_minus'] = False
    for k in range(1, K+1):
        print(k)
        R = restore1(sigma_r, u_r, v_r, k)
        G = restore1(sigma_g, u_g, v_g, k)
        B = restore1(sigma_b, u_b, v_b, k)
        I = np.stack((R, G, B), axis=2)
        Image.fromarray(I).save('%s\\svd_%d.png' % (output_path, k))
        if k <= 12:
            plt.subplot(3, 4, k)
            plt.imshow(I)
            plt.axis('off')
            plt.title('奇异值个数：%d' % k)
    plt.suptitle('SVD与图像分解', fontsize=20)
    plt.tight_layout()
    # plt.subplots_adjust(top=0.9)
    plt.show()

2.效果

随着奇异值的减少图片变得模糊

三、采用图像的开闭运算(腐蚀-膨胀)，检测出2个样本图像中硬币、细胞的个数

1.硬币检测代码

读取图片

#读取图片
src = cv2.imread("img_1.png")
img = src.copy()

原图

转为灰度图片

#灰度
img_1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

图片二值化

#二值化
ret, img_2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

腐蚀

腐蚀主要为了把每个硬币区分开。过大会造成缺失，过低会无法区分开。参数可以自己设置以达到合适。

#腐蚀
kernel = np.ones((25, 25), int)
img_3 = cv2.erode(img_2, kernel, iterations=1)

膨胀

膨胀到合适的值，这样每一个白色区域就是一个硬币。

#膨胀
kernel = np.ones((10, 10), int)
img_4 = cv2.dilate(img_3, kernel, iterations=1)