网站建设需要什么基础,asp.net网站伪静态,保定网站seo费用,四川省建设建设监理协会网站文章目录 检测记数原图经过操作开始进行消除粘连性--形态学变换总结实现方法1. 读取图片#xff1a;2. 形态学处理#xff1a;3. 二值化#xff1a;4. 提取轮廓#xff1a;5. 轮廓筛选和计数#xff1a; 分水岭算法#xff1a;逐行解释在基于距离变换的分水岭算法中… 文章目录 检测记数原图经过操作开始进行消除粘连性--形态学变换总结实现方法1. 读取图片2. 形态学处理3. 二值化4. 提取轮廓5. 轮廓筛选和计数 分水岭算法逐行解释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 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 import cv2 as cv
import matplotlib.pyplot as pltimage 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(i1), 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
import numpy as np
import cv2 as cv
import matplotlib.pyplot as pltimage cv.imread(img/img.png)
gray_image cv.cvtColor(image, cv.COLOR_BGR2GRAY)
kernel np.ones((16, 16), np.uint8)
gray_imagecv.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(i1), 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 in enumerate(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 0
for i, contour in enumerate(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 1cv2.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 0
for i, contour in enumerate(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 1cv2.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 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)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)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。
