qt、用opencv实现断纱检查-CSDN博客

本文链接：https://blog.csdn.net/xie__jin__cheng/article/details/140838646

1.需求

qt,用opencv实现断纱检查，目前有两图片文件夹，一个为正常布匹图片，一个为发生断纱的图片；现在给你一张图片，给出断纱的匹配度，和合格的匹配度

2.代码

qt,用opencv实现断纱检查，目前有两图片文件夹，一个为正常布匹图片，一个为发生断纱的图片；现在给你一张图片，给出断纱的匹配度，和合格的匹配度

要使用OpenCV来实现断纱检查，并通过比较给定图片与正常布匹图片以及断纱图片的相似度来给出断纱的匹配度和合格的匹配度，你可以遵循以下步骤：

数据预处理：
- 确保所有图片的尺寸一致，以便于后续的特征提取和比较。
- 可以考虑将图片转换为灰度图，以减少计算复杂度。
特征提取：
- 使用OpenCV中的特征提取方法，如SIFT, SURF, ORB等，从正常布匹图片和断纱图片中提取特征。
- 为每个类别的图片（正常和断纱）建立一个特征数据库。
匹配算法：
- 当给定一张新图片时，使用相同的特征提取方法提取特征。
- 使用特征匹配算法（如FLANN或BFMatcher）将新图片的特征与两个数据库中的特征进行匹配。
计算匹配度：
- 根据匹配的特征点数量和/或质量，为每个类别（正常和断纱）计算一个匹配度分数。
- 这个分数可以是匹配的特征点数量，也可以是更复杂的相似度度量，如基于特征点距离和/或角度的度量。
判断与输出：
- 比较两个匹配度分数，较高的分数表明图片与该类别更相似。
- 输出断纱的匹配度和合格的匹配度。
使用Qt进行界面展示：
- 使用Qt创建一个简单的图形用户界面，允许用户上传待检测的图片。
- 在界面上显示断纱的匹配度和合格的匹配度。
优化与测试：
- 对算法进行优化，以提高准确性和效率。
- 使用测试数据集验证算法的性能。

请注意，这个方法的准确性取决于多个因素，包括特征提取算法的选择、特征匹配算法的准确性、数据库的大小和多样性等。你可能需要根据实际情况调整和优化这些方法。

此外，你还可以考虑使用机器学习或深度学习的方法来进一步提高检测的准确性。例如，可以使用卷积神经网络（CNN）来训练一个分类器，以区分正常布匹和断纱布匹。这种方法可能需要大量的标记数据来训练模型，但可能会提供更高的准确性。

能提供详细的关键代码吗

当然可以。下面是一个简化的示例，展示了如何使用OpenCV和Python来比较给定图片与正常布匹和断纱图片的相似度。请注意，这个示例是为了说明基本概念，并不一定是生产就绪的解决方案。

首先，你需要安装必要的库（如果尚未安装）：

pip install opencv-python numpy

然后，你可以使用以下Python代码作为起点：

import cv2  
import numpy as np  
import os  
from sklearn.metrics.pairwise import cosine_similarity  
  
def extract_features(image_path, feature_extractor):  
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)  
    keypoints, descriptors = feature_extractor.detectAndCompute(image, None)  
    return descriptors  
  
def compare_images(query_image_path, database_folder, feature_extractor):  
    query_descriptors = extract_features(query_image_path, feature_extractor)  
    max_similarity = 0  
      
    for image_file in os.listdir(database_folder):  
        image_path = os.path.join(database_folder, image_file)  
        database_descriptors = extract_features(image_path, feature_extractor)  
          
        if query_descriptors is not None and database_descriptors is not None:  
            similarity = cosine_similarity(query_descriptors, database_descriptors)[0][0]  
            max_similarity = max(max_similarity, similarity)  
      
    return max_similarity  
  
# 初始化ORB特征检测器  
orb = cv2.ORB_create()  
  
# 给定待检测的图片路径  
query_image_path = 'path_to_your_query_image.jpg'  
  
# 正常布匹图片文件夹路径和断纱图片文件夹路径  
normal_fabric_folder = 'path_to_normal_fabric_images'  
broken_yarn_folder = 'path_to_broken_yarn_images'  
  
# 比较给定图片与正常布匹图片的相似度  
normal_similarity = compare_images(query_image_path, normal_fabric_folder, orb)  
print(f'Normal Fabric Similarity: {normal_similarity}')  
  
# 比较给定图片与断纱图片的相似度  
broken_yarn_similarity = compare_images(query_image_path, broken_yarn_folder, orb)  
print(f'Broken Yarn Similarity: {broken_yarn_similarity}')

在这个示例中，我使用了ORB（Oriented FAST and Rotated BRIEF）特征检测器，因为它相对较快且对于简单的图像匹配任务通常足够好。你可以根据需要替换为SIFT、SURF或其他特征检测器。

请注意，这个示例使用余弦相似度来比较特征向量。余弦相似度的范围是[-1, 1]，其中1表示完全相似，-1表示完全不相似。在实际应用中，你可能需要根据具体需求调整相似度度量和阈值。

此外，这个示例假设所有图片都是灰度图。如果你的图片是彩色的，你可能需要在提取特征之前将它们转换为灰度图。

最后，请记住，这个示例是为了教学目的而简化的。在实际应用中，你可能需要考虑更多的优化和异常处理。

能提供一个qt 版本的吗

当然可以。以下是一个简化的示例，展示了如何使用Qt（通过PyQt5库）创建一个简单的图形用户界面（GUI），该界面允许用户选择一个图像文件，并将其与正常布匹和断纱的图像库进行比较，以检测相似度。

首先，确保你已经安装了PyQt5：

pip install PyQt5

然后，你可以使用以下Python代码来创建Qt应用：

import sys  
from PyQt5.QtWidgets import QApplication, QMainWindow, QPushButton, QFileDialog, QLabel, QVBoxLayout, QWidget  
from PyQt5.QtGui import QPixmap  
import cv2  
import numpy as np  
from sklearn.metrics.pairwise import cosine_similarity  
  
class SimilarityChecker(QMainWindow):  
    def __init__(self):  
        super().__init__()  
        self.initUI()  
        self.normal_fabric_folder = 'path_to_normal_fabric_images'  # 替换为正常布匹图片文件夹的路径  
        self.broken_yarn_folder = 'path_to_broken_yarn_images'      # 替换为断纱图片文件夹的路径  
        self.orb = cv2.ORB_create()  
  
    def initUI(self):  
        self.setWindowTitle('断纱检查器')  
        self.setGeometry(100, 100, 400, 300)  
  
        self.layout = QVBoxLayout()  
  
        self.label = QLabel('请选择一张图片进行检查')  
        self.layout.addWidget(self.label)  
  
        self.btn = QPushButton('选择图片')  
        self.btn.clicked.connect(self.openImage)  
        self.layout.addWidget(self.btn)  
  
        self.result_label = QLabel()  
        self.layout.addWidget(self.result_label)  
  
        container = QWidget()  
        container.setLayout(self.layout)  
        self.setCentralWidget(container)  
  
    def openImage(self):  
        options = QFileDialog.Options()  
        filePath, _ = QFileDialog.getOpenFileName(self, "选择图片", "", "All Files (*);;JPEG Files (*.jpeg);;PNG Files (*.png)", options=options)  
        if filePath:  
            self.checkSimilarity(filePath)  
  
    def checkSimilarity(self, image_path):  
        normal_similarity = self.compareWithFolder(image_path, self.normal_fabric_folder)  
        broken_yarn_similarity = self.compareWithFolder(image_path, self.broken_yarn_folder)  
  
        result_text = f'正常布匹相似度: {normal_similarity:.2f}\n' \  
                      f'断纱相似度: {broken_yarn_similarity:.2f}'  
        self.result_label.setText(result_text)  
  
    def compareWithFolder(self, query_image_path, folder_path):  
        query_image = cv2.imread(query_image_path, cv2.IMREAD_GRAYSCALE)  
        query_keypoints, query_descriptors = self.orb.detectAndCompute(query_image, None)  
  
        max_similarity = 0  
        for image_file in os.listdir(folder_path):  
            image_path = os.path.join(folder_path, image_file)  
            database_image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)  
            database_keypoints, database_descriptors = self.orb.detectAndCompute(database_image, None)  
  
            if query_descriptors is not None and database_descriptors is not None:  
                similarity = cosine_similarity(query_descriptors, database_descriptors)[0][0]  
                max_similarity = max(max_similarity, similarity)  
  
        return max_similarity  
  
if __name__ == '__main__':  
    app = QApplication(sys.argv)  
    ex = SimilarityChecker()  
    ex.show()  
    sys.exit(app.exec_())

在这个Qt应用中，我们创建了一个主窗口，其中包含一个标签、一个按钮和一个结果标签。用户可以通过点击按钮来选择要检查的图像。选择图像后，应用将计算该图像与正常布匹和断纱图像库中的图像的相似度，并在结果标签中显示这些相似度值。

请注意，你需要将normal_fabric_folder和broken_yarn_folder变量的值替换为你自己的图像文件夹路径。此外，这个示例使用了ORB特征检测器和余弦相似度来计算相似度，你可以根据需要调整这些设置。

能提供一个qt、c++ 版本的吗

当然可以。以下是一个简化的Qt和C++的示例，展示了如何创建一个简单的图形用户界面（GUI），用于选择图片文件，并与两个图片库（正常布匹和断纱）中的图片进行比较以检测相似度。请注意，这个示例将集中在GUI的创建和文件选择上，而相似度检测逻辑将简化为一个占位符函数，你需要根据自己的需求实现具体的相似度检测算法。

首先，确保你已经安装了Qt和相应的C++编译器。

以下是Qt Creator中C++项目的示例代码：

mainwindow.h

#ifndef MAINWINDOW_H  
#define MAINWINDOW_H  
  
#include <QMainWindow>  
#include <QPushButton>  
#include <QLabel>  
#include <QVBoxLayout>  
#include <QWidget>  
#include <QFileDialog>  
#include <QPixmap>  
  
namespace Ui {  
class MainWindow;  
}  
  
class MainWindow : public QMainWindow  
{  
    Q_OBJECT  
  
public:  
    explicit MainWindow(QWidget *parent = nullptr);  
    ~MainWindow();  
  
private slots:  
    void on_pushButton_clicked();  
  
private:  
    Ui::MainWindow *ui;  
    QPushButton *chooseImageButton;  
    QLabel *resultLabel;  
    QLabel *imageLabel;  
    QWidget *centralWidget;  
    QVBoxLayout *layout;  
  
    void checkSimilarity(const QString &filePath);  
};  
  
#endif // MAINWINDOW_H

mainwindow.cpp

#include "mainwindow.h"  
#include "ui_mainwindow.h"  
#include <osqp.h>  
  
MainWindow::MainWindow(QWidget *parent) :  
    QMainWindow(parent),  
    ui(new Ui::MainWindow)  
{  
    ui->setupUi(this);  
  
    centralWidget = new QWidget(this);  
    layout = new QVBoxLayout(centralWidget);  
  
    chooseImageButton = new QPushButton("选择图片", this);  
    resultLabel = new QLabel("请选择一张图片进行检查", this);  
    imageLabel = new QLabel(this);  
  
    layout->addWidget(resultLabel);  
    layout->addWidget(chooseImageButton);  
    layout->addWidget(imageLabel);  
  
    setCentralWidget(centralWidget);  
  
    connect(chooseImageButton, &QPushButton::clicked, this, &MainWindow::on_pushButton_clicked);  
}  
  
MainWindow::~MainWindow()  
{  
    delete ui;  
}  
  
void MainWindow::on_pushButton_clicked()  
{  
    QString filePath = QFileDialog::getOpenFileName(this, "选择图片", "", "Images (*.png *.xpm *.jpg)");  
    if (!filePath.isEmpty()) {  
        QPixmap pixmap(filePath);  
        imageLabel->setPixmap(pixmap.scaled(imageLabel->size(), Qt::KeepAspectRatio));  
        checkSimilarity(filePath);  
    }  
}  
  
void MainWindow::checkSimilarity(const QString &filePath)  
{  
    // 这里应该是你的相似度检测逻辑  
    // 以下为示例，你需要根据实际情况替换  
    double normalFabricSimilarity = 0.5; // 假设与正常布匹的相似度  
    double brokenYarnSimilarity = 0.3;   // 假设与断纱的相似度  
  
    QString resultText = QString("正常布匹相似度: %1\n断纱相似度: %2").arg(normalFabricSimilarity).arg(brokenYarnSimilarity);  
    resultLabel->setText(resultText);  
}

main.cpp

#include "mainwindow.h"  
#include <QApplication>  
  
int main(int argc, char *argv[])  
{  
    QApplication a(argc, argv);  
    MainWindow w;  
    w.show();  
    return a.exec();  
}

在这个示例中，MainWindow 类创建了一个包含按钮、标签和布局的主窗口。点击按钮时，会打开一个文件对话框，允许用户选择一张图片。选择图片后，会显示在标签上，并调用 checkSimilarity 函数来检查与两个图片库的相似度。请注意，checkSimilarity 函数中的相似度计算是一个占位符，你需要用实际的图像处理和机器学习算法来替换它。

确保在Qt Creator中配置好项目，并添加必要的Qt模块（如Qt Widgets），然后编译并运行项目。

能提供，相似度检测逻辑的示例代码吗

相似度检测逻辑的实现取决于你希望使用的具体方法。在计算机视觉中，相似度检测可以通过多种方式来实现，例如使用特征匹配、直方图比较或者深度学习模型等。以下是一个简单的基于直方图比较的相似度检测逻辑示例。

这个示例使用OpenCV库来计算两张图片的直方图，并通过比较这些直方图来确定相似度。

首先，确保你已经安装了OpenCV库。

similarity.h

#ifndef SIMILARITY_H  
#define SIMILARITY_H  
  
#include <opencv2/opencv.hpp>  
#include <vector>  
  
// 函数声明  
double calculateSimilarity(const cv::Mat &image1, const cv::Mat &image2);  
  
#endif // SIMILARITY_H

similarity.cpp

#include "similarity.h"  
  
double calculateSimilarity(const cv::Mat &image1, const cv::Mat &image2) {  
    // 将图像转换为灰度图  
    cv::Mat grayImage1, grayImage2;  
    cv::cvtColor(image1, grayImage1, cv::COLOR_BGR2GRAY);  
    cv::cvtColor(image2, grayImage2, cv::COLOR_BGR2GRAY);  
  
    // 计算直方图  
    int histSize = 256; // bin数量  
    float hRange[] = {0, 256}; // 像素值范围  
    const float* histRanges = {hRange};  
    cv::Mat hist1, hist2;  
    int channels[] = {0};  
      
    cv::calcHist(&grayImage1, 1, channels, cv::Mat(), hist1, 1, &histSize, &histRanges, true, false);  
    cv::calcHist(&grayImage2, 1, channels, cv::Mat(), hist2, 1, &histSize, &histRanges, true, false);  
  
    // 归一化直方图  
    cv::normalize(hist1, hist1, 0, 255, cv::NORM_MINMAX);  
    cv::normalize(hist2, hist2, 0, 255, cv::NORM_MINMAX);  
  
    // 计算两个直方图的相似度（例如，使用相关性作为相似度度量）  
    double correlation = 0.0;  
    cv::compareHist(hist1, hist2, CV_COMP_CORREL, &correlation);  
  
    return correlation;  
}

在MainWindow类中使用这个相似度检测函数，你可能需要加载参考图像（例如，正常布匹和断纱的图像）并在checkSimilarity函数中使用它们。

mainwindow.cpp (部分代码)

#include "similarity.h"  
  
// 成员变量中添加参考图像  
cv::Mat normalFabricImage, brokenYarnImage;  
  
MainWindow::MainWindow(QWidget *parent) : ... {  
    ...  
    // 加载参考图像，路径需要根据实际情况修改  
    normalFabricImage = cv::imread("path_to_normal_fabric_image.jpg");  
    brokenYarnImage = cv::imread("path_to_broken_yarn_image.jpg");  
    ...  
}  
  
void MainWindow::checkSimilarity(const QString &filePath) {  
    cv::Mat testImage = cv::imread(filePath.toStdString());  
      
    // 计算与正常布匹的相似度  
    double normalFabricSimilarity = calculateSimilarity(normalFabricImage, testImage);  
      
    // 计算与断纱的相似度  
    double brokenYarnSimilarity = calculateSimilarity(brokenYarnImage, testImage);  
      
    QString resultText = QString("正常布匹相似度: %1\n断纱相似度: %2").arg(normalFabricSimilarity).arg(brokenYarnSimilarity);  
    resultLabel->setText(resultText);  
}

请注意，这个示例使用了OpenCV库来处理图像和计算直方图相似度。确保你的项目中已经正确配置了OpenCV，并且包含了必要的头文件和库文件。此外，path_to_normal_fabric_image.jpg和path_to_broken_yarn_image.jpg需要替换为你实际的参考图像路径。

这个示例只是一个起点，实际应用中可能需要更复杂的图像处理和机器学习技术来提高相似度检测的准确性。