利用图像处理计算叶片面积

2024-01-23 09:50

本文主要是介绍利用图像处理计算叶片面积,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!

计算叶片面积,源文件如图:
在这里插入图片描述
首先读取图片并完成下采样,缩小图片面积,便于处理:

import cv2img0=cv2.imread(r'picturefile\lvmiao.jpg',flags=1)
img0=cv2.pyrDown(img0)
img0=cv2.pyrDown(img0)
img0=img0[70:,70:,0]#获取B通道图片,B通道更能区别叶片色彩;且将不必要部分截除,便于处理。
cv2.imshow("imagin0",img0)
cv2.waitKey()
cv2.destroyWindow("imagin0")

结果如下:
提取B通道的灰度图
为便于得到叶片和钱币各自像素,采用聚类方式,将图片像素点聚为2类,分为背景与前景。聚类算法采用K-means聚类方法,仅采用像素距离作为聚类特征会产生较大误差,因此,可以采用像素实际位置(横纵坐标)和像素点灰度作为聚类特征依据。得到各像素点特征参数程序:

import numpy as npr,c=img0.shape#灰度图的大小
row=np.zeros((c,r),dtype=np.uint8)#各像素点的行
col=np.zeros((c,r),dtype=np.uint8)#各像素点的列
for i in range(r):row[i,:]=i
for i in range(c):col[:,i]=i
feature=[]
for i in range(r):for j in range(c):feature.append([row[i,j],col[i,j],img0[i,j]])
feature=np.array(feature)#各像素点的特征,包括行数、列数以及像素距离

然后对所有像素特征进行聚类,并将背景类用黑色点表示,前景类用白色点表示,具体程序为:

from sklearn.cluster import KMeanslabel=KMeans(2).fit_predict(feature)#2聚类
bool1=label==0#第一类
bool2=label==1#第二类
img1=img0.copy()
img1=img1.ravel()
img1[bool1]=0#背景像素
img1[bool2]=255 #前景像素
img1=img1.reshape(r,c)#上色后的图片
cv2.imshow("imagin1",img1)
cv2.waitKey()
cv2.destroyWindow("imagin1")

上面程序运行结果为:
聚类结果图
我们可以看到聚类结果并不完美,为消除噪声点,选择对背景噪声先腐蚀掉,对前景噪声进行膨胀,为避免对其他地方的影响,可以先使用闭运算去除前景噪声,使用开运算去除背景噪声。具体程序如下:

img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5)
img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8)
cv2.imshow("imagin2",img2)
cv2.waitKey()
cv2.destroyWindow("imagin2")

运行结果为:
形态学去燥结果
我们可以看到,去噪结果良好,接下来我们将提取钱币与叶片轮廓信息:

contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#提取轮廓
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,1,(255))#将叶片轮廓画出
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3")

画出叶片轮廓如图:
叶片轮廓
从形态学处理结果我们可以知道,叶片轮廓较为完整,但是钱币轮廓并不完整,其像素信息不能构成完整的圆形,为补全钱币,对其做最小外切圆,将叶片和钱币轮廓画出做对比:

(x,y),radius=cv2.minEnclosingCircle(contours[0])
center=(int(x),int(y))
radius=int(radius)
cv2.circle(img3,center,radius,(255))
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3") 

处理结果为:
叶片与完整的钱币轮廓
上图可知钱币缺失部分补充完整,下面即对叶片和钱币做填充,计算其像素面积即可:

def calculateNumber(A,b):num=0for i in range(len(A)):for j in range(len(A[0])):if A[i][j]==b:num+=1return numcv2.drawContours(img3,contours,0,(255),thickness=-1) 
s0=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,2,(255),thickness=-1) 

画出钱币的填充图,并计算其像素面积为s0,结果图:
钱币完整像素点图
下面计算叶片像素面积:

img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,2,(255),thickness=-1) 
s1=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()

叶片像素面积为s1,填充结果如图:
叶片完整像素点
最后根据网络查询到5角硬币为300平方毫米,可以计算出叶片像素面积:

s=s1*300/s0 
print(s0,s1,s)

结果为:
钱币像素面积、叶片像素面积以及叶片真实面积
如此可计算叶片面积为2807.48平方毫米。完成程序如下:

'''
Created on 2019年10月4日@author: 紫   薇星君
'''
import cv2
import numpy as np
from sklearn.cluster import KMeansdef calculateNumber(A,b):num=0for i in range(len(A)):for j in range(len(A[0])):if A[i][j]==b:num+=1return numimg0=cv2.imread(r'picturefile\lvmiao.jpg',flags=1)
img0=cv2.pyrDown(img0)
img0=cv2.pyrDown(img0)
img0=img0[70:,70:,0]
cv2.imshow("imagin0",img0)
cv2.waitKey()
cv2.destroyWindow("imagin0")
r,c=img0.shape
row=np.zeros((c,r),dtype=np.uint8)
col=np.zeros((c,r),dtype=np.uint8)
for i in range(r):row[i,:]=i
for i in range(c):col[:,i]=i
feature=[]
for i in range(r):for j in range(c):feature.append([row[i,j],col[i,j],img0[i,j]])
feature=np.array(feature)
label=KMeans(2).fit_predict(feature)
bool1=label==0
bool2=label==1
img1=img0.copy()
img1=img1.ravel()
img1[bool1]=0
img1[bool2]=255 
img1=img1.reshape(r,c)
cv2.imshow("imagin1",img1)
cv2.waitKey()
cv2.destroyWindow("imagin1")
k=np.array([[1,1],[1,1]])
img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5)
img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8)
cv2.imshow("imagin2",img2)
cv2.waitKey()
cv2.destroyWindow("imagin2")
contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,1,(255))
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3")
(x,y),radius=cv2.minEnclosingCircle(contours[0])
center=(int(x),int(y))
radius=int(radius)
cv2.circle(img3,center,radius,(255))
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3") 
contours,hierarchy=cv2.findContours(img3,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,0,(255),thickness=-1) 
s0=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,2,(255),thickness=-1) 
s1=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
s=s1*300/s0 
print(s0,s1,s)

这篇关于利用图像处理计算叶片面积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/636015

相关文章

Python如何计算两个不同类型列表的相似度

《Python如何计算两个不同类型列表的相似度》在编程中,经常需要比较两个列表的相似度,尤其是当这两个列表包含不同类型的元素时,下面小编就来讲讲如何使用Python计算两个不同类型列表的相似度吧... 目录摘要引言数字类型相似度欧几里得距离曼哈顿距离字符串类型相似度Levenshtein距离Jaccard相

使用C#代码计算数学表达式实例

《使用C#代码计算数学表达式实例》这段文字主要讲述了如何使用C#语言来计算数学表达式,该程序通过使用Dictionary保存变量,定义了运算符优先级,并实现了EvaluateExpression方法来... 目录C#代码计算数学表达式该方法很长,因此我将分段描述下面的代码片段显示了下一步以下代码显示该方法如

如何用Java结合经纬度位置计算目标点的日出日落时间详解

《如何用Java结合经纬度位置计算目标点的日出日落时间详解》这篇文章主详细讲解了如何基于目标点的经纬度计算日出日落时间,提供了在线API和Java库两种计算方法,并通过实际案例展示了其应用,需要的朋友... 目录前言一、应用示例1、天安门升旗时间2、湖南省日出日落信息二、Java日出日落计算1、在线API2

poj 1113 凸包+简单几何计算

题意: 给N个平面上的点,现在要在离点外L米处建城墙,使得城墙把所有点都包含进去且城墙的长度最短。 解析: 韬哥出的某次训练赛上A出的第一道计算几何,算是大水题吧。 用convexhull算法把凸包求出来,然后加加减减就A了。 计算见下图: 好久没玩画图了啊好开心。 代码: #include <iostream>#include <cstdio>#inclu

uva 1342 欧拉定理(计算几何模板)

题意: 给几个点,把这几个点用直线连起来,求这些直线把平面分成了几个。 解析: 欧拉定理: 顶点数 + 面数 - 边数= 2。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#inc

uva 11178 计算集合模板题

题意: 求三角形行三个角三等分点射线交出的内三角形坐标。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#include <stack>#include <vector>#include <

XTU 1237 计算几何

题面: Magic Triangle Problem Description: Huangriq is a respectful acmer in ACM team of XTU because he brought the best place in regional contest in history of XTU. Huangriq works in a big compa

音视频入门基础:WAV专题(10)——FFmpeg源码中计算WAV音频文件每个packet的pts、dts的实现

一、引言 从文章《音视频入门基础:WAV专题(6)——通过FFprobe显示WAV音频文件每个数据包的信息》中我们可以知道,通过FFprobe命令可以打印WAV音频文件每个packet(也称为数据包或多媒体包)的信息,这些信息包含该packet的pts、dts: 打印出来的“pts”实际是AVPacket结构体中的成员变量pts,是以AVStream->time_base为单位的显

计算数组的斜率,偏移,R2

模拟Excel中的R2的计算。         public bool fnCheckRear_R2(List<double[]> lRear, int iMinRear, int iMaxRear, ref double dR2)         {             bool bResult = true;             int n = 0;             dou

GPU 计算 CMPS224 2021 学习笔记 02

并行类型 (1)任务并行 (2)数据并行 CPU & GPU CPU和GPU拥有相互独立的内存空间,需要在两者之间相互传输数据。 (1)分配GPU内存 (2)将CPU上的数据复制到GPU上 (3)在GPU上对数据进行计算操作 (4)将计算结果从GPU复制到CPU上 (5)释放GPU内存 CUDA内存管理API (1)分配内存 cudaErro