OpenCV实战 -- 维生素药片的检测记数

文章目录

读取图片

形态学处理

二值化

提取轮廓

获取轮廓索引，并筛选所需要的轮廓

画出轮廓，显示计数

检测记数

原图-》灰度化-》阈值分割-》形态学变换-》距离变换-》轮廓查找

原图

importcv2 as cv
importmatplotlib.pyplot as plt

image = cv.imread('img/img.png')
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray_image,127,255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours,[contour],-1,(122,55,215),2)
    # 标注轮廓序号
    cv.putText(image_with_contours,str(i+1),tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()print(len(contours))

经过操作

发现其具有粘连性，所以阈值分割、形态学变换等图像处理

开始进行消除粘连性–形态学变换

importnumpy as np
importcv2 as cv
importmatplotlib.pyplot as plt

image = cv.imread('img/img.png')
gray_image= cv.cvtColor(image, cv.COLOR_BGR2GRAY)
kernel = np.ones((16,16), np.uint8)
gray_image=cv.morphologyEx(gray_image, cv.MORPH_OPEN, kernel)
ret, binary = cv.threshold(gray_image,127,255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours,[contour],-1,(122,55,215),2)
    # 标注轮廓序号
    cv.putText(image_with_contours,str(i+1),tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX,0.7,(0,255,0),2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()print(len(contours))

总结实现方法

1. 读取图片：

import cv2

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)
cv2.waitKey(0)

2. 形态学处理：

import cv2
import numpy as np

# 形态学处理
kernel = np.ones((16,16), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)
cv2.waitKey(0)

3. 二值化：

import cv2

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)# 二值化
_, binary_image = cv2.threshold(gray_image,100,255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)
cv2.waitKey(0)

4. 提取轮廓：

import cv2

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)# 在原图上绘制轮廓
contour_image = image.copy()
cv2.drawContours(contour_image, contours,-1,(0,255,0),2)
cv2.imshow("Contours", contour_image)
cv2.waitKey(0)

5. 轮廓筛选和计数：

import cv2

# 遍历轮廓for i, contour inenumerate(contours):
    area = cv2.contourArea(contour)if area <500:continue# 获取轮廓的位置(x, y, w, h)= cv2.boundingRect(contour)# 在原图上绘制矩形
    cv2.rectangle(image,(x, y),(x + w, y + h),(0,255,0),2)# 在矩形位置写上计数
    cv2.putText(image,str(i),(x, y), cv2.FONT_HERSHEY_COMPLEX,1,(0,0,255),2)

cv2.imshow("Count Result", image)
cv2.waitKey(0)

分水岭算法：

import cv2
import numpy as np

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)# 形态学处理
kernel = np.ones((3,3), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)# 二值化
_, binary_image = cv2.threshold(gray_image,100,255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)# 统计药片数量并标记轮廓
count =0for i, contour inenumerate(contours):
    area = cv2.contourArea(contour)if area <500:continue# 获取轮廓的位置(x, y, w, h)= cv2.boundingRect(contour)# 在原图上绘制矩形
    cv2.rectangle(image,(x, y),(x + w, y + h),(0,255,0),2)# 在矩形位置写上计数
    cv2.putText(image,str(count),(x, y), cv2.FONT_HERSHEY_COMPLEX,1,(0,0,255),2)
    
    count +=1

cv2.imshow("Count Result", image)print("药片检测个数:", count)

cv2.waitKey(0)
cv2.destroyAllWindows()

逐行解释

当然，让我们逐行解释上述代码：

import cv2
import numpy as np

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)

• 导入OpenCV库和NumPy库。
• 读取图片并显示原始图像。

# 形态学处理
kernel = np.ones((3,3), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)

• 定义一个3x3的矩形内核(kernel)。
• 对原始图像进行形态学开运算，去除小的噪点和不重要的细节。
• 显示形态学处理后的图像。

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)

• 将形态学处理后的图像转换为灰度图。

# 二值化
_, binary_image = cv2.threshold(gray_image,100,255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)

• 对灰度图进行自适应阈值二值化，使用OTSU算法。
• 显示二值化后的图像。

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

• 寻找二值化后图像中的外部轮廓。

# 统计药片数量并标记轮廓
count =0for i, contour inenumerate(contours):
    area = cv2.contourArea(contour)if area <500:continue# 获取轮廓的位置(x, y, w, h)= cv2.boundingRect(contour)# 在原图上绘制矩形
    cv2.rectangle(image,(x, y),(x + w, y + h),(0,255,0),2)# 在矩形位置写上计数
    cv2.putText(image,str(count),(x, y), cv2.FONT_HERSHEY_COMPLEX,1,(0,0,255),2)
    
    count +=1

cv2.imshow("Count Result", image)print("药片检测个数:", count)

• 初始化药片计数为0。
• 遍历所有找到的轮廓。 - 如果轮廓的面积小于500，则跳过。- 获取轮廓的位置信息（矩形边界框）。- 在原图上绘制矩形，标记检测到的药片。- 在矩形位置写上计数。- 计数加1。
• 显示标记了计数的结果图像，并输出药片检测个数。

cv2.waitKey(0)
cv2.destroyAllWindows()

• 等待用户按下任意按键，然后关闭所有打开的窗口。

在基于距离变换的分水岭算法中，二值化操作是为了得到

sure_fg

（肯定是前景的区域），以便将其用作分水岭算法的标记点。这个过程涉及以下几步：

1. 距离变换： 通过距离变换，我们得到了一个灰度图，其中像素值表示每个像素到最近的零像素点的距离。这个距离图范围是浮点数，通常需要进行归一化。dist_transform = cv2.distanceTransform(binary_image, cv2.DIST_L2,3)
2. 归一化： 将距离变换后的图像进行归一化，使其范围在0到1之间。normalized_distance = cv2.normalize(dist_transform,0,1, cv2.NORM_MINMAX)
3. 再次二值化： 对归一化后的图像进行二值化，以获取肯定是前景的区域。这是通过设置一个阈值，将距离较大的区域认定为前景。_, sure_fg = cv2.threshold(normalized_distance,0.4,1, cv2.THRESH_BINARY)

这样，

sure_fg

中的像素值为 1 的区域就被认为是明确的前景区域，而不是可能的边界区域。这种区域将被用作分水岭算法的种子点。