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实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法

使用Python删除Excel中的行列和单元格示例详解

《使用Python删除Excel中的行列和单元格示例详解》在处理Excel数据时,删除不需要的行、列或单元格是一项常见且必要的操作,本文将使用Python脚本实现对Excel表格的高效自动化处理,感兴... 目录开发环境准备使用 python 删除 Excphpel 表格中的行删除特定行删除空白行删除含指定

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数