python60行绘图程序_Python 60行代码使用 OpenCV 识别雪深

前两天跟一个朋友吃饭，聊到他在做的图像识别测量雪深，对此深感兴趣，找时间就把 OpenCV 了解一下。

识别标杆上红色刻度的数量。

研究了一下午，话不多说，直接开始演示吧。

import cv2

# 读取图片

img = cv2.imread("./snow.jpeg")

首先，将红色部分提取，则需要将原图进行颜色空间转换，转换类型使用 BGR2HSV 方法。

HSV 是一种将RGB色彩模型中的点在圆柱坐标系中的表示法。H 为色相，是色彩的基本属性，S 为饱和度，V 为明度。

从网上查了下，红色区域的 H 值在 [0,10] 和 [170,180]，使用 inRange 方法将红色范围内外的颜色区分开

hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

mask1 = cv2.inRange(hsv_img, np.array([0, 70, 50]), np.array([10, 255, 255]))

mask2 = cv2.inRange(hsv_img, np.array([170, 70, 50]), np.array([180, 255, 255]))

mask = mask1 | mask2

mask 显示效果如下

此时，图像上除了刻度外，还有些地方呈现白色，需要将这些杂质过滤掉，同时也要将垂直部分的白色去掉，需要经过先膨胀再腐蚀再膨胀三个过程。为什么要这样呢？因为这样才能过滤掉杂质以及垂直方向的红线部分，以致达到效果，具体看下面的代码和图。

dilated = cv2.dilate(mask, cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)), iterations=2)

# 创建一个水平的结构元素，进行腐蚀和膨胀

hline = cv2.getStructuringElement(cv2.MORPH_RECT, (int(dilated.shape[1] / 32), 1), (-1, -1))

# 腐蚀掉多余的白色部分

temp = cv2.erode(dilated, hline)

# 使白色部分膨胀

dst_img = cv2.dilate(temp, hline)

效果如下：

得到提取后的部分，发现还有一个问题，左右刻度有些连结在了一起，此时需要分割。分割的方式是先计算一下宽度，得出中点宽度值，在此原图对应的中点宽度画一条黑线（不过效率有点低啊😊

def get_mid_width(mask):

"""

获取白色轮廓区域的中间宽度

"""

min_width = mask.shape[1]

max_width = 0

for line in mask:

"""

处理图片为白色轮廓区域，计算轮廓区域宽度的中间值

"""

indexes = list(filter(lambda i: line[i] != 0, range(len(line))))

if len(indexes) != 0:

if min_width > indexes[0]:

min_width = indexes[0]

if max_width < indexes[-1]:

max_width = indexes[-1]

else:

continue

mid_width = int((min_width + max_width) / 2)

return mid_width

mid_width = get_mid_width(dst_img)

# 在图片上画一条黑线，用来分割左右红线区域，避免膨胀的时候连在一起

cv2.line(img, (mid_width, 0), (mid_width, img.shape[0]), (0, 0, 0), 20)

得到如下图：

然后重复上面的提取红色部分并过滤的步骤，得到如下图：

此时已经完成90%了，剩下的就是获取每个轮廓，以及把轮廓在原图上描绘出来

contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 获取轮廓

# 画上所有轮廓

cv2.drawContours(img_source, contours, -1, (0, 0, 0), 3)

imS = cv2.resize(img_source, (540, 960))

cv2.imshow('result', imS)

cv2.waitKey(0)

cv2.destroyAllWindows()

最终效果

是不是很简单呢？！整理完才60行代码，不过这只是简单的实现，一旦涉及到有比较大的杂质或者标杆倾斜以及其他情况，都会影响识别率。