编程实战（4）——python识别图像中的坐标点并保存坐标数据

编程实战（4）——python识别图像中的坐标点并保存坐标数据

文章目录

综述

最近因为美赛的需求，需要在提取一些赛道的路线图和地形图中的准确数据，因此对这方面做了一些了解。在研究的过程中，我发现网上的很多相关的帖子并不是很靠谱，不是报错就是没有说清楚一些函数的功能，所以我打算写一篇比较详细的文章。

本文主要讲述利用python接口的opencv来完成图像识别和信息提取并重新绘制、保存为excel数据的详细过程与思路，适合opencv方面的小白观看（需要一定的numpy和matplotlib基础）。如有一些疏漏，请大佬们指出~

代码思路

我会跟着我代码的思路逐一讲解每一步的思路和函数的一些解释；

总体思路如下：

• 第一：图片预处理，让图像二极化；
• 第二：提取图片数据
• 第三步：数据整理与保存

库的安装

这里一共用了三个库

import cv2
import numpy as np
import matplotlib.pyplot as plt

numpy和matplotlib的安装都比较常规，但是cv2的安装不是常规的pip install cv2，是opencv-python，国内镜像下载地址：

pip3 install -i https://mirrors.aliyun.com/pypi/simple/ opencv-python

图片预处理

img = cv2.imread('你的图片路径')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

首先打开图片，然后对图片做一个hsv灰度图的处理，因为我们常规的图片像素点都是rbg空间模式的，我们需要先转化为hsv颜色空间模式（没见过这个图像格式的可以百度一下），以便后面的图像二值化处理；

上面是我用到的图像，这是东京奥运会公路自行车比赛的路线图，我们要做的就是提取路线像素并坐标化；

图像细化

如果说要处理的图像的线条很粗，那就会影响后面的识别过程，需要先进行图像细化；如果原本图的线条就很细（比如我的），那就可以跳过这一步。

图像细化我是直接参考一个博客的代码的，这里做一个引用：图像细化，骨架提取

写的相当棒，大家可以参考一下。

图像二极化

这里我用到了一个cv库中的inRange函数，这个函数的功能是对读入的图像文件（即函数第一个参数）做一个二值化处理。

总的来说就是我们需要规定两个阈值lowerb和upperb，大于upperb和小于lowerb的图像像素点均会被转化为0（即黑色），在这个范围内的点被转化为255（白色）；

low_hsv = np.array([0,0,221])
high_hsv = np.array([180,30,255])
mask = cv2.inRange(hsv, lowerb=low_hsv, upperb=high_hsv)

我们再来详细的讲一下这两个阈值，如果了解hsv颜色空间的话，很容易可以发现代码的前两行就是hsv颜色空间的两个值，numpy.array函数里面的参数刚好就是色调、饱和度和明度值，因为inRange函数的需要，我们要转化成numpy格式的数组。我这里需要提取所有黑色的坐标，所以设的是黑色与白色的阈值，大家可以根据自己的需求调整颜色阈值。

阈值参考：HSV基本颜色分量范围

这里的mask，就是我们需要提取数据的图像了~

提取数据

为了帮助大家理解，我们先打印看一下mask的具体情况：

print(len(mask))print(len(mask[0]))for i inrange(len(mask)):print(mask[i])

输出：

654
1024
[255 255 255 ... 255 255 255]
[255 255 255 ... 255 255 255]
...
[255 255 255 ... 255 255 255]
[255 255 255 ... 255 255 255]
[255 255 255 ... 255 255 255]

可以看到图像是1024*654的，还有每一行的像素点都是一个numpy数组（numpy数组打印出来元素之间是没有用逗号间隔的），之前24位的hsv图，变成了8位的灰度图（每一项只有一个数据，而不是三个数组成的array）；

我们要做的是要知道每一个黑色的像素点的横纵坐标，即在mask这个像素矩阵中，获取值为0的行号和列号。

方法也很简单，直接遍历每一个像素，找到值为0的像素点，存取列号和行号即可；

list_y =[]
list_x =[]for i inrange(len(mask)):#print(mask[i])
    xmax =[]for j inrange(len(mask[i])):if mask[i][j]==0:#print(mask[i][j],j,i)
            list_x.append(j)
            list_y.append(len(mask)-i)

这里需要注意，很多图像存储数据是从下往上存储的，所以我们在获取列号的时候，需要用图像的高度减去mask的列号，才是真正的列号。

结果展示和保存

matplotlib重绘

检验一下我们获取的图像数据，注意这里需要用散点图模式绘图，不然会有不太好的后果。。。

plt.plot(list_x, list_y,'o', color='r')
plt.show()

结果如下：

可以发现提取效果还是不错的~~

写入excel

这一部分的说明直接放到注释里面了

import xlwt

wb = xlwt.Workbook()

ws = wb.add_sheet('sheet1')# 添加一个表

ws.write(0,0,"x")# 写入数据，3个参数分别为行号，列号，和内容
ws.write(0,1,"y")

i =1#指针，每写一个数据，向下移动写指针一行for x in list_x:
    ws.write(i,0, x)
    i +=1

j =1for y in list_y:
    ws.write(j,1, y)
    j +=1

wb.save('1111.xls')

可以看到数据已经保存进excel里面了

这一次提取其实还有一个小问题，就是相同的横坐标下还是有多个对应该横坐标的点，如果需要做函数分析之类的操作，我们可以直接用excel作按值分组然后去每组的特定值即可，最大值，平均值均可，看个人需求。

全部源码

import cv2
import numpy as np
import matplotlib.pyplot as plt
import xlwt

img = cv2.imread('3.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
low_hsv = np.array([0,0,221])
high_hsv = np.array([180,30,255])
mask = cv2.inRange(hsv, lowerb=low_hsv, upperb=high_hsv)print(len(mask))print(len(mask[0]))

list_y =[]
list_x =[]for i inrange(len(mask)):print(mask[i])
    xmax =[]for j inrange(len(mask[i])):if mask[i][j]==0:print(mask[i][j],j,i)
            list_x.append(j)
            list_y.append(len(mask)-i)

plt.plot(list_x, list_y,'o', color='r')
plt.show()

wb = xlwt.Workbook()

ws = wb.add_sheet('sheet1')

ws.write(0,0,"x")
ws.write(0,1,"y")
i =1for x in list_x:
    ws.write(i,0, x)
    i +=1

j =1for y in list_y:
    ws.write(j,1, y)
    j +=1

wb.save('1111.xls')