opencv-python利用k均值算法完成焊点识别

2023-10-19 00:50

本文主要是介绍opencv-python利用k均值算法完成焊点识别,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!

#draw.用来画图

import cv2import numpy as np #mouse callback functionfrom knn import *ix,iy=-1,-1#创建图像与窗口并将窗口与回调函数绑定def in_img():for i in range(512):img[i, ] = 255cv2.namedWindow('image')cv2.setMouseCallback('image',draw_circle)for i in range(1,4):for j in range(10):while 1:cv2.imshow('image', img)if cv2.waitKey(20) & 0xFF == ord('q'):cv2.imwrite('testDigits'+'\\'+str(i)+str(j)+'.jpg', img)for k in range(512):img[k, ] = 255break# while 1:#     cv2.imshow('image', img)#     if cv2.waitKey(20)&0XFF == ord('q'):#         cv2.imwrite('1.jpg', img)#         breakcv2.destroyAllWindows()def draw_circle(event,x,y,flags,param):global ix,iy,drawingif event==cv2.EVENT_LBUTTONDOWN:drawing=Trueix,iy=x,yelif event==cv2.EVENT_MOUSEMOVE and flags==cv2.EVENT_FLAG_LBUTTON:if drawing==True:cv2.circle(img,(x,y),30,(0,0,0),-1)elif event==cv2.EVENT_LBUTTONUP:drawing==Falsedef read_image():img1 = cv2.imread('1.jpg', cv2.IMREAD_GRAYSCALE)res=cv2.resize(img1,(32,32),interpolation=cv2.INTER_CUBIC)pic=[]for i in range(32):for j in range(32):if res[i][j]<=200:res[i][j]=1else:res[i][j]=0pic.append(int(res[i][j]))hwLabels,trainingMat = trainingDataSet()classifierResult = classify(pic, trainingMat, hwLabels, 3)print( classifierResult)def main():global imgimg=np.zeros((512,512,3),np.uint8)in_img()read_image()if __name__=="__main__":main()#handiantest.py,可以直接测试,不用KNN.PY
import numpy as np
import cv2a = 10(event,x,y,flags,param):if event == cv2.EVENT_LBUTTONDOWN:print("HSV is", HSV[y, x])def getpos1(event,x,y,flags,param):if event == cv2.EVENT_LBUTTONDOWN:print("mask_image isy",y ,x , mask_image[y, x])def getpos2(event,x,y,flags,param):if event == cv2.EVENT_LBUTTONDOWN:print("mask is", y, x,mask[y, x])def calculateCountourArea(image, src):print("hsv", image.shape)image1 = image.copy()# 如果color中定义了几种颜色区间,都可以分割出来for (lower, upper) in color:# 创建NumPy数组lower = np.array(lower, dtype="uint8")  # 颜色下限upper = np.array(upper, dtype="uint8")  # 颜色上限# 根据阈值找到对应颜色mask1 = cv2.inRange(image1, lower, upper)  # 查找处于范围区间的kernel1 = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 构造腐蚀核mask1 = cv2.erode(mask1, kernel1)mask1 = cv2.dilate(mask1, kernel1)ret1, mask1 = cv2.threshold(mask1, 0.5, 255, cv2.THRESH_BINARY)cv2.imshow("形态学处理", mask1)# 二值化ret1, binarry1 = cv2.threshold(mask1, 0.5, 1, cv2.THRESH_BINARY)mask_image1, contours1, hierarchy1 = cv2.findContours(binarry1, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)area1 = []# 找到最大的轮廓for k1 in range(len(contours1)):area1.append(cv2.contourArea(contours1[k1]))max_idx1 = np.argmax(np.array(area1))print(len(contours1))cv2.drawContours(src, contours1, -1, (0, 0, 255), 1)for i in contours1:print(cv2.contourArea(i))  # 计算缺陷区域面积x, y, w, h = cv2.boundingRect(i)  # 画矩形框cv2.rectangle(src, (x, y), (x + w, y + h), (0, 255, 0), 1)cv2.imshow("src", src)#   读 取 图 片
img = cv2.imread("C:/Users/asus/Desktop/Inkedpaomo_LI.jpg", 1)# 直接读为灰度图像
#   可以缩小图像
height, width = img.shape[:2]
size = (int(width ), int(height ))  # bgr
img = cv2.resize(img, size, interpolation=cv2.INTER_AREA)
#BGR转化为HSV
HSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2.imshow("HSV", HSV)
print("hsv", HSV.shape)
cv2.setMouseCallback("imageHSV", getpos)
color = [([0, 0, 90], [165, 30, 240])  # 蓝色范围~这个是我自己试验的范围,可根据实际情况自行调整~注意:数值按[b,g,r]排布
]
# 如果color中定义了几种颜色区间,都可以分割出来
for (lower, upper) in color:# 创建NumPy数组lower = np.array(lower, dtype="uint8")  # 颜色下限upper = np.array(upper, dtype="uint8")  # 颜色上限# 根据阈值找到对应颜色mask = cv2.inRange(HSV, lower, upper)    #查找处于范围区间的#cv2.imshow("mask", mask)
print("mask", mask.shape)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 构造腐蚀核
mask = cv2.erode(mask, kernel)
mask = cv2.dilate(mask, kernel)
ret, mask = cv2.threshold(mask, 0.5, 255, cv2.THRESH_BINARY)
cv2.imshow("形态学处理", mask)
#二值化
ret, binarry = cv2.threshold(mask, 0.5, 1, cv2.THRESH_BINARY)
mask_image, contours, hierarchy = cv2.findContours(binarry, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)
mask_image = mask.copy()
#mask = mask-mask
#cv2.imshow('mask_image1', mask_image)
#cv2.imshow('mask_', mask)
area = []
# 找到最大的轮廓
for k in range(len(contours)):area.append(cv2.contourArea(contours[k]))
max_idx = np.argmax(np.array(area))
#填充最大的轮廓
for k in range(len(contours)):if(k == max_idx):mask = cv2.drawContours(mask, contours, max_idx, 255, cv2.FILLED)else:mask = cv2.drawContours(mask, contours, k, 0, cv2.FILLED)mask = cv2.drawContours(mask, contours, max_idx, 255, cv2.FILLED)cv2.imshow("mask", mask)
cv2.imshow('mask_image', mask_image)
cv2.setMouseCallback("mask", getpos2)
cv2.setMouseCallback("mask_image", getpos1)
output = cv2.bitwise_and(mask, mask_image)
cv2.imshow("output", output)
new_hsv = cv2.bitwise_and(HSV, HSV, mask=output)
cv2.imshow("img", new_hsv)
#bgroutput = cv2.cvtColor(output, cv2.COLOR_HSV2BGR)
# 展示图片
#cv2.imshow("images", np.hstack([img, output]))
calculateCountourArea(new_hsv, img)cv2.waitKey(0)#knn.py
from numpy import *import operatorimport timefrom os import listdirdef classify(inputPoint,dataSet,labels,k):dataSetSize = dataSet.shape[0]  #已知分类的数据集(训练集)的行数#先tile函数将输入点拓展成与训练集相同维数的矩阵,再计算欧氏距离diffMat = tile(inputPoint,(dataSetSize,1))-dataSet  #样本与训练集的差值矩阵sqDiffMat = diffMat ** 2               #差值矩阵平方sqDistances = sqDiffMat.sum(axis=1)        #计算每一行上元素的和distances = sqDistances ** 0.5         #开方得到欧拉距离矩阵sortedDistIndicies = distances.argsort()   #按distances中元素进行升序排序后得到的对应下标的列表#选择距离最小的k个点classCount = {}for i in range(k):voteIlabel = labels[ sortedDistIndicies[i] ]classCount[voteIlabel] = classCount.get(voteIlabel,0)+1#按classCount字典的第2个元素(即类别出现的次数)从大到小排序sortedClassCount = sorted(classCount.items(), key = operator.itemgetter(1), reverse = True)return sortedClassCount[0][0]def img2vector(filename):returnVect = []fr = open(filename)for i in range(32):lineStr = fr.readline()for j in range(32):returnVect.append(int(lineStr[j]))return returnVectdef classnumCut(fileName):fileStr = fileName.split('.')[0]classNumStr = int(fileStr.split('_')[0])return classNumStr#构建训练集数据向量,及对应分类标签向量def trainingDataSet():hwLabels = []trainingFileList = listdir('trainingDigits1')        #获取目录内容m = len(trainingFileList)trainingMat = zeros((m,1024))                   #m维向量的训练集for i in range(m):fileNameStr = trainingFileList[i]hwLabels.append(classnumCut(fileNameStr))trainingMat[i,:] = img2vector('trainingDigits1/%s' % fileNameStr)#print type(trainingMat)return hwLabels,trainingMat

在这里插入图片描述

在这里插入图片描述

这篇关于opencv-python利用k均值算法完成焊点识别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!



http://www.chinasem.cn/article/236203

相关文章

Python运行中频繁出现Restart提示的解决办法

《Python运行中频繁出现Restart提示的解决办法》在编程的世界里,遇到各种奇怪的问题是家常便饭,但是,当你的Python程序在运行过程中频繁出现“Restart”提示时,这可能不仅仅是令人头疼... 目录问题描述代码示例无限循环递归调用内存泄漏解决方案1. 检查代码逻辑无限循环递归调用内存泄漏2.

Python中判断对象是否为空的方法

《Python中判断对象是否为空的方法》在Python开发中,判断对象是否为“空”是高频操作,但看似简单的需求却暗藏玄机,从None到空容器,从零值到自定义对象的“假值”状态,不同场景下的“空”需要精... 目录一、python中的“空”值体系二、精准判定方法对比三、常见误区解析四、进阶处理技巧五、性能优化

使用Python构建一个Hexo博客发布工具

《使用Python构建一个Hexo博客发布工具》虽然Hexo的命令行工具非常强大,但对于日常的博客撰写和发布过程,我总觉得缺少一个直观的图形界面来简化操作,下面我们就来看看如何使用Python构建一个... 目录引言Hexo博客系统简介设计需求技术选择代码实现主框架界面设计核心功能实现1. 发布文章2. 加

python logging模块详解及其日志定时清理方式

《pythonlogging模块详解及其日志定时清理方式》:本文主要介绍pythonlogging模块详解及其日志定时清理方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录python logging模块及日志定时清理1.创建logger对象2.logging.basicCo

Python如何自动生成环境依赖包requirements

《Python如何自动生成环境依赖包requirements》:本文主要介绍Python如何自动生成环境依赖包requirements问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑... 目录生成当前 python 环境 安装的所有依赖包1、命令2、常见问题只生成当前 项目 的所有依赖包1、

如何将Python彻底卸载的三种方法

《如何将Python彻底卸载的三种方法》通常我们在一些软件的使用上有碰壁,第一反应就是卸载重装,所以有小伙伴就问我Python怎么卸载才能彻底卸载干净,今天这篇文章,小编就来教大家如何彻底卸载Pyth... 目录软件卸载①方法:②方法:③方法:清理相关文件夹软件卸载①方法:首先,在安装python时,下

python uv包管理小结

《pythonuv包管理小结》uv是一个高性能的Python包管理工具,它不仅能够高效地处理包管理和依赖解析,还提供了对Python版本管理的支持,本文主要介绍了pythonuv包管理小结,具有一... 目录安装 uv使用 uv 管理 python 版本安装指定版本的 Python查看已安装的 Python

使用Python开发一个带EPUB转换功能的Markdown编辑器

《使用Python开发一个带EPUB转换功能的Markdown编辑器》Markdown因其简单易用和强大的格式支持,成为了写作者、开发者及内容创作者的首选格式,本文将通过Python开发一个Markd... 目录应用概览代码结构与核心组件1. 初始化与布局 (__init__)2. 工具栏 (setup_t

Python中局部变量和全局变量举例详解

《Python中局部变量和全局变量举例详解》:本文主要介绍如何通过一个简单的Python代码示例来解释命名空间和作用域的概念,它详细说明了内置名称、全局名称、局部名称以及它们之间的查找顺序,文中通... 目录引入例子拆解源码运行结果如下图代码解析 python3命名空间和作用域命名空间命名空间查找顺序命名空

Python如何将大TXT文件分割成4KB小文件

《Python如何将大TXT文件分割成4KB小文件》处理大文本文件是程序员经常遇到的挑战,特别是当我们需要把一个几百MB甚至几个GB的TXT文件分割成小块时,下面我们来聊聊如何用Python自动完成这... 目录为什么需要分割TXT文件基础版:按行分割进阶版:精确控制文件大小完美解决方案:支持UTF-8编码