平安城市-轨道线识别-步骤原理实现记录

最新推荐文章于 2024-07-12 18:44:59 发布

Wynl590

最新推荐文章于 2024-07-12 18:44:59 发布

阅读量279

点赞数 1

文章标签： opencv 计算机视觉 python numpy 人工智能 pycharm 图像处理

本文链接：https://blog.csdn.net/weixin_64559691/article/details/139688946

版权

首先一张图的识别为例：

第一步：读取图像并查看验证

代码：

import cv2
import numpy as np
# 读取图片路径
image = cv2.imread("P1_No005.jpg")
# 设置窗口大小自适应比例
cv2.namedWindow("image",cv2.WINDOW_KEEPRATIO)
# 在窗口中显示图像
cv2.imshow("image", image)
# 等待一个键盘的输入（按任意键继续程序）
cv2.waitKey(0)

运行结果：

第二步：对图像进行灰度转换并进行高斯滤波（用来降噪，即模糊图像，减少图像的细节）后续我们需要使用cv2.findContours()进行轮廓检测，因此我们需要获取图像的二值图（黑白图）（cv2.findContours()函数接受的参数为二值图（不是灰度图））

代码：

# 对灰度图进行高斯滤波
image = cv2.resize(image, (600, 600))  # 改变图像尺寸
gs_frame = cv2.GaussianBlur(image, (11, 11), 0)  # 高斯滤波获取轮廓

# 将图像转换成灰度图像
gray = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2GRAY)  # 原彩色图片转换成灰度图

ret, binary = cv2.threshold(gray, 145, 255, cv2.THRESH_BINARY_INV)  # 二值化
# 设置窗口大小自适应比例
cv2.namedWindow("binary", cv2.WINDOW_KEEPRATIO)
# 在窗口中显示图像
cv2.imshow("binary", binary)
# 等待一个键盘的输入（按任意键继续程序）
cv2.waitKey(0)

运行结果：

第三、四步进行闭运算（先膨胀后腐蚀，将图像相连为一个无突起的连通域）

第三步：对图像进行膨胀并进行迭代（自定义执行多次膨胀操作，扩大图像主要特征）

代码：

kernel = np.ones((40, 40), dtype=np.uint8)  # 膨胀图像
dilate = cv2.dilate(binary, kernel, 1)  # 迭代膨胀操作
# 设置窗口大小自适应比例
cv2.namedWindow("dilate", cv2.WINDOW_KEEPRATIO)
# 在窗口中显示图像
cv2.imshow("dilate", dilate)
# 等待一个键盘的输入（按任意键继续程序）
cv2.waitKey(0)

运行结果（可以看到主要特征被放大了）：

第四步：对图像进行腐蚀（通过更改np.ones的第一个参数即shape来变动腐蚀程度）

代码：

# 进行腐蚀
kernel = np.ones((40, 40), dtype=np.uint8)  # 腐蚀图像
# kernel = np.ones((20, 20), dtype=np.uint8)  # 腐蚀图像
erosion = cv2.erode(dilate, kernel, iterations=1)
# 设置窗口大小自适应比例
cv2.namedWindow("erosion", cv2.WINDOW_KEEPRATIO)
# 在窗口中显示图像
cv2.imshow("erosion", erosion)
# 等待一个键盘的输入（按任意键继续程序）
cv2.waitKey(0)

运行结果（可以对比40与20的区别，左40，右20）：

第五步：绘制矩形

代码：

# 注意：cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图。
contours, hierarchy = cv2.findContours(erosion, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  # 轮廓检测，寻找边框
x = []  # 存储横坐标
y = []  # 存储纵坐标
for i in range(600):
    for j in range(600):
        if erosion[i, j] != 0:  # 如果该像素点不等于0（为白，不为黑），存储下来
            # print(f"{i} {j}")
            x.append(i)
            y.append(j)
area = []
area_num = []
for i in range(len(contours)):
    a = cv2.contourArea(contours[i], True)
    area.append(abs(a))

if len(area) > 1:
    for i in range(len(area)):
        area_num.append(i)
    area_num.remove(area.index(max(area)))
    for i in range(len(area_num)):
        erosion = cv2.drawContours(erosion, contours, area_num[i], 0, cv2.FILLED)

# print(erosion[599,263])  # 为255
# print(erosion[0,   0])   # 为0
c1 = min(x)
c2 = max(x)
c3 = min(y)
c4 = max(y)
if erosion[c1, c3] == 255 and erosion[c2, c3] == 0:  
# 若左上到右下为路径（左上顶点为白，右上顶点为黑），则为左
    print('left')
if erosion[c1, c4] == 255 and erosion[c2, c4] == 0:  
# 若左下到右上为路径（左下顶点为白，右上顶点为黑），则为右
    print('right')
if erosion[c1, c3] == 255 and erosion[c1, c4] == 255:   # 均为白，则为直
    print('Go straight')
# 绘制图框
cv2.rectangle(image, (c3, c1), (c4, c2), (0, 255, 0), 2)  # 图像上绘制矩形
cv2.imshow("result", image)
cv2.waitKey(0)

运行结果：

即可

完整代码：

import cv2
import numpy as np

# 读取图片路径
image = cv2.imread("P1_No005.jpg")

# 对灰度图进行高斯滤波
image = cv2.resize(image, (600, 600))  # 改变图像尺寸
gs_frame = cv2.GaussianBlur(image, (11, 11), 0)  # 高斯滤波获取轮廓

# 将图像转换成灰度图像
gray = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2GRAY)  # 原彩色图片转换成灰度图

ret, binary = cv2.threshold(gray, 145, 255, cv2.THRESH_BINARY_INV)  # 二值化

kernel = np.ones((40, 40), dtype=np.uint8)  # 膨胀图像
dilate = cv2.dilate(binary, kernel, 1)  # 迭代膨胀操作

# 进行腐蚀
kernel = np.ones((20, 20), dtype=np.uint8)  # 腐蚀图像
erosion = cv2.erode(dilate, kernel, iterations=1)

# 注意：cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图。
contours, hierarchy = cv2.findContours(erosion, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  
# 查询角点
x = []  # 存储横坐标
y = []  # 存储纵坐标
for i in range(600):
    for j in range(600):
        if erosion[i, j] != 0:  # 如果该像素点不等于0（为白，不为黑），存储下来
            # print(f"{i} {j}")
            x.append(i)
            y.append(j)

c1 = min(x)
c2 = max(x)
c3 = min(y)
c4 = max(y)
if erosion[c1, c3] == 255 and erosion[c2, c3] == 0:  # 若左上到右下为路径（左上顶点为白，右上顶点为黑），则为左
    print('left')
if erosion[c1, c4] == 255 and erosion[c2, c4] == 0:  # 若左下到右上为路径（左下顶点为白，右上顶点为黑），则为右
    print('right')
if erosion[c1, c3] == 255 and erosion[c1, c4] == 255:   # 均为白，则为直
    print('Go straight')
# 绘制图框
cv2.rectangle(image, (c3, c1), (c4, c2), (0, 255, 0), 2)  # 图像上绘制矩形
cv2.imshow("result", image)
cv2.waitKey(0)

将代码加入循环即可进行多次检测：

import cv2
import numpy as np
import os

for filename in os.listdir('mydata/test'):  # 遍历路径下所有图片
    print(filename)
    image = cv2.imread('mydata/test' + '/' + filename)
    # 读取图片路径
    # # 设置窗口大小自适应比例
    # cv2.namedWindow("image", cv2.WINDOW_KEEPRATIO)
    # # 在窗口中显示图像
    # cv2.imshow("image", image)
    # # 等待一个键盘的输入（按任意键继续程序）
    # cv2.waitKey(0)

    # 对灰度图进行高斯滤波
    image = cv2.resize(image, (600, 600))  # 改变图像尺寸
    gs_frame = cv2.GaussianBlur(image, (11, 11), 0)  # 高斯滤波获取轮廓

    # 将图像转换成灰度图像
    gray = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2GRAY)  # 原彩色图片转换成灰度图

    ret, binary = cv2.threshold(gray, 145, 255, cv2.THRESH_BINARY_INV)  # 二值化
    # # 设置窗口大小自适应比例
    # cv2.namedWindow("binary", cv2.WINDOW_KEEPRATIO)
    # # 在窗口中显示图像
    # cv2.imshow("binary", binary)
    # # 等待一个键盘的输入（按任意键继续程序）
    # cv2.waitKey(0)

    kernel = np.ones((40, 40), dtype=np.uint8)  # 膨胀图像
    dilate = cv2.dilate(binary, kernel, 1)  # 迭代膨胀操作
    # # 设置窗口大小自适应比例
    # cv2.namedWindow("dilate", cv2.WINDOW_KEEPRATIO)
    # # 在窗口中显示图像
    # cv2.imshow("dilate", dilate)
    # # 等待一个键盘的输入（按任意键继续程序）
    # cv2.waitKey(0)

    # 进行腐蚀
    kernel = np.ones((40, 40), dtype=np.uint8)  # 腐蚀图像
    erosion = cv2.erode(dilate, kernel, iterations=1)
    # # 设置窗口大小自适应比例
    # cv2.namedWindow("erosion", cv2.WINDOW_KEEPRATIO)
    # # 在窗口中显示图像
    # cv2.imshow("erosion", erosion)
    # # 等待一个键盘的输入（按任意键继续程序）
    # cv2.waitKey(0)

    # 注意：cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图。
    contours, hierarchy = cv2.findContours(erosion, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  # 轮廓检测，寻找边框
    # print(contours)
    # print(hierarchy)
    area = []
    area_num = []
    for i in range(len(contours)):
        a = cv2.contourArea(contours[i], True)
        area.append(abs(a))

    if len(area) > 1:
        for i in range(len(area)):
            area_num.append(i)
        area_num.remove(area.index(max(area)))
        for i in range(len(area_num)):
            erosion = cv2.drawContours(erosion, contours, area_num[i], 0, cv2.FILLED)
    # 查询角点
    x = []  # 存储横坐标
    y = []  # 存储纵坐标
    for i in range(600):
        for j in range(600):
            if erosion[i, j] != 0:  # 如果该像素点不等于0（为白，不为黑），存储下来
                # print(f"{i} {j}")
                x.append(i)
                y.append(j)

    # print(erosion[599,263])  # 为255
    # print(erosion[0,   0])   # 为0
    c1 = min(x)
    c2 = max(x)
    c3 = min(y)
    c4 = max(y)
    if erosion[c2, c4] == 255 and erosion[c2, c3] == 0:  # 若左上到右下为路径（左上顶点为白，右上顶点为黑），则为左
        print('left')
    if erosion[c1, c4] == 255 and erosion[c1, c3] == 0:  # 若左下到右上为路径（左下顶点为白，右上顶点为黑），则为右
        print('right')
    if erosion[c1, c3] == 0 and erosion[c1, c4] == 0:   # 均为白，则为直
        print('Go straight')
    print(f"{erosion[c1, c3]} {erosion[c2, c3]}")
    print(f"{erosion[c1, c4]} {erosion[c2, c4]}")
    print(f"{erosion[c1, c3]} {erosion[c1, c4]}")
    # 绘制图框
    cv2.rectangle(image, (c3, c1), (c4, c2), (0, 255, 0), 2)  # 图像上绘制矩形
    cv2.imshow("result", image)
    cv2.waitKey(0)

Wynl590

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
1
评论
平安城市-轨道线识别-步骤原理实现记录

第二步：对图像进行灰度转换并进行高斯滤波（用来降噪，即模糊图像，减少图像的细节）后续我们需要使用cv2.findContours()进行轮廓检测，因此我们需要获取图像的二值图（黑白图）（cv2.findContours()函数接受的参数为二值图（不是灰度图））第四步：对图像进行腐蚀（通过更改np.ones的第一个参数即shape来变动腐蚀程度）第三步：对图像进行膨胀并进行迭代（自定义执行多次膨胀操作，扩大图像主要特征）第三、四步进行闭运算（先膨胀后腐蚀，将图像相连为一个无突起的连通域）
复制链接

扫一扫