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

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker

Python使用vllm处理多模态数据的预处理技巧

《Python使用vllm处理多模态数据的预处理技巧》本文深入探讨了在Python环境下使用vLLM处理多模态数据的预处理技巧,我们将从基础概念出发,详细讲解文本、图像、音频等多模态数据的预处理方法,... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

Conda与Python venv虚拟环境的区别与使用方法详解

《Conda与Pythonvenv虚拟环境的区别与使用方法详解》随着Python社区的成长,虚拟环境的概念和技术也在不断发展,:本文主要介绍Conda与Pythonvenv虚拟环境的区别与使用... 目录前言一、Conda 与 python venv 的核心区别1. Conda 的特点2. Python v