本文主要是介绍自动检测曲别针数量:图像处理技术的应用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
引言
在这篇博客中,我们将探讨如何使用计算机视觉技术自动检测图像中曲别针的数量。
如图:
[1]使用灰度转换
由于彩色信息对于曲别针计数并不重要,我们将图像转换为灰度图,这样可以减少处理数据的复杂度,加速后续的图像处理步骤。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
[2]二值化处理
通过应用二值化处理,我们将灰度图转换为黑白图像。在这个步骤中,图像中的所有像素点要么是黑色,要么是白色,这简化了轮廓的检测。
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
- 二值化后的图片:
[3]轮廓检测
使用OpenCV的findContours函数,我们从二值图像中提取轮廓。这些轮廓代表潜在的曲别针。
# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓并计算面积
for contour in contours:cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)
但是这边我们可以看到很多不必要的内容都被放进来了,所以我们接着进行进一步操作。
[4]面积过滤和计数
为了区分真正的曲别针和其他噪声,我们计算每个轮廓的面积,并只统计那些面积超过预设阈值的轮廓。这一步骤帮助我们准确地识别和计数曲别针。
# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("Binary", binary)# 初始化计数器
large_contour_count = 0
min_area = 10000 # 设置面积阈值,根据实际情况调整# 遍历轮廓并计算面积
for contour in contours:area = cv2.contourArea(contour)if area > min_area:large_contour_count += 1cv2.drawContours(image, [contour], -1, (0, 255, 0), 2) # 绘制满足条件的轮廓
- 效果:
可以看出确实正确的识别出曲别针的数量
完整代码
import cv2# 加载图像
image = cv2.imread('./images/nums.jpg')
cv2.imshow("Original", image)# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 应用二值化阈值
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow("Binary", binary)# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("Binary", binary)# 初始化计数器
large_contour_count = 0
min_area = 10000 # 设置面积阈值,根据实际情况调整# 遍历轮廓并计算面积
for contour in contours:area = cv2.contourArea(contour)if area > min_area:large_contour_count += 1cv2.drawContours(image, [contour], -1, (0, 255, 0), 2) # 绘制满足条件的轮廓# 显示图像
cv2.imshow('Contoured Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 输出符合条件的曲别针数量
print(f"曲别针数量为: {large_contour_count}")
这篇关于自动检测曲别针数量:图像处理技术的应用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!