OpenCV对图片中的水果进行识别计算其面积长度等

最新推荐文章于 2024-07-25 20:33:09 发布

小贾日记

最新推荐文章于 2024-07-25 20:33:09 发布

阅读量699

点赞数 9

分类专栏： OpenCV图像处理文章标签： opencv 人工智能计算机视觉 python

本文链接：https://blog.csdn.net/zero___0_0/article/details/140258612

版权

OpenCV图像处理专栏收录该内容

2 篇文章 0 订阅

订阅专栏

本项目所用到的技术有：
OpenCV
Python的一些库：sys,openpyxl,numpy,PyQt5,PIL
本文可以做一些课程设计的项目

本文为作者原创，转载请注明出处，如果需要完整的代码，可以关注我私信

在这里插入图片描述

上面是用到的样例图片，一张小青桔

首先对小青桔进行图像的矫正，利用仿射变化找M矩阵

import numpy as np
import cv2
import math
import matplotlib.pyplot as plt
import pandas as pd
 
def get4points(img: np.ndarray, thed, n):
    # 灰度和二值化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    ret, binary = cv2.threshold(gray, thed, 255, cv2.THRESH_BINARY)
    # 搜索轮廓
    contours, hierarchy = cv2.findContours(
        binary,
        cv2.RETR_LIST,
        cv2.CHAIN_APPROX_SIMPLE)
    
    len_list = []
    for i in range(len(contours)):
        len_list.append(len(contours[i]))    
    sy = np.argsort(np.array(len_list))[-n]
    # 寻找顶点
    sum_list = []
    dif_list = []
    for i in contours[sy]:
        sum = i[0][0]+i[0][1]
        sum_list.append(sum)
        dif_list.append(i[0][0]-i[0][1])
 
    id_lb = np.argsort(np.array(sum_list))
    id_lb2 = np.argsort(np.array(dif_list))
    lu_id , rd_id = id_lb[0], id_lb[-1]
    ld_id , ru_id = id_lb2[0], id_lb2[-1]
    points = np.array([contours[sy][lu_id][0], contours[sy][rd_id][0],
                       contours[sy][ld_id][0], contours[sy][ru_id][0]])
    return points, contours, sy
def order_points(pts):
    # 初始化坐标点
    rect = np.zeros((4, 2), dtype = "float32")
    # 获取左上角和右下角坐标点
    s = pts.sum(axis = 1)
    rect[0] = pts[np.argmin(s)]
    rect[2] = pts[np.argmax(s)]
    # 分别计算左上角和右下角的离散差值
    diff = np.diff(pts, axis = 1)
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]
    return rect
 
 
def four_point_transform(image, pts):
    # 获取坐标点，并将它们分离开来
    rect = order_points(pts)
    (tl, tr, br, bl) = rect
    # 计算新图片的宽度值，选取水平差值的最大值
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))
    # 计算新图片的高度值，选取垂直差值的最大值
    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))
    # 构建新图片的4个坐标点
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")
    # 获取仿射变换矩阵并应用它
    M = cv2.getPerspectiveTransform(rect, dst)
    # 进行仿射变换
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))
    # 返回变换后的结果
    return warped
 
def show_cmp_img(original_img, transform_img):
    _, axes = plt.subplots(1, 2)
    # 显示图像
    axes[0].imshow(original_img)
    axes[1].imshow(transform_img)
    # 设置子标题
    axes[0].set_title("original image")
    axes[1].set_title("transform image")
    plt.show() 

 # 读取图片
image = cv2.imread('D:/Pythonstudy/deeplearning/picture/8.jpg')
points, _, _ = get4points(image, 127, 1)
# 获取原始的坐标点
pts = np.array(points, dtype="float32")
# 对原始图片进行变换
warped = four_point_transform(image, pts)
show_cmp_img(image, warped)

在这里插入图片描述

现在对图片进行形态学处理，利用腐蚀，膨胀得到小青桔

# 灰度图
gray_img = cv2.cvtColor(warped,cv2.COLOR_BGR2GRAY)
# 高斯
gauss_img = cv2.GaussianBlur(gray_img,(7,7),1.4)
# 二值图
ret,thresh1 = cv2.threshold(gauss_img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
kernel = np.ones((5,5),np.uint8)
# 腐蚀膨胀
erode = cv2.dilate(thresh1,kernel,iterations = 17)
erode = cv2.erode(erode,kernel,iterations = 13)
# 边缘检测
v1 = cv2.Canny(erode,ret/2,ret)

在这里插入图片描述

找到所有的轮廓

contours,hierarchy = cv2.findContours(v1, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

在这里插入图片描述

画出所有轮廓的外接矩阵

test_img = warped.copy()
contour_area_dict = {}
rect_area = list()
for i in range(len(contours)):
    x,y,w,h = cv2.boundingRect(contours[i])
    area = w*h
    rect_area.append(area)
    cv2.rectangle(test_img,(x,y),(x+w,y+h),(255,0,0),3)
    contour_area_dict[i]=area
max_contour_ori = max(contour_area_dict,key = contour_area_dict.get)
print(rect_area)
print(contour_area_dict)
print(max_contour_ori)
plt.imshow(test_img)

在这里插入图片描述

利用圆形度+最大面积两种方法结合找到位置

对这一部分进行解释：首先比较轮廓与圆的相似度，认为接近圆的就是小青桔，然后对这个轮廓的面积进行判断，如果其过于小（小于四周正方形的面积）则认为这个轮廓不对，找错了位置，此时利用最大面积求解（所有轮廓的面积最大的就认为是小青桔）

# 容差
circularity_threshold = 0.5
img= warped.copy()
yuan_contour_list  = list()
for contour in contours:  
    # 计算轮廓的面积和周长  
    area = cv2.contourArea(contour) 
    print(area)
    perimeter = cv2.arcLength(contour, True)    
    # 计算圆形度，注意这里乘以4*np.pi是为了归一化  
    circularity = (4 * np.pi * area) / (perimeter ** 2)   
    # 筛选圆形度接近1的轮廓  
    if abs(1 - circularity) < circularity_threshold: 
        print(cv2.contourArea(contour))
        yuan_contour_list.append(contour)

print("接近圆形的个数%d"%len(yuan_contour_list))
test_2 = cv2.drawContours(warped.copy(),yuan_contour_list , -1, (0, 255, 0), 4)
plt.imshow(test_2)

max_area = yuan_contour_list[0]
for i in yuan_contour_list:
    if(cv2.contourArea(i) > cv2.contourArea(max_area)):
        max_area = i
print(cv2.contourArea(max_area))

if(cv2.contourArea(max_area)<117899):
    max_area = contours[max_contour_ori]

确定之后画出外接矩形

cv2.drawContours(img, [max_area], -1, (0, 255, 0), 2)
x,y,w,h = cv2.boundingRect(max_area)
img_wj = cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),3)
plt.imshow(img_wj)