opencv计算植物叶面积_叶直径_叶周长_python

项目简介：

利用python自带的opencv库来计算植物叶片的叶面积、叶直径和叶周长，拍摄图片就可以直接得到真实的叶面积、叶直径和叶周长。

实现方法：

首先，我们需要这样拍摄一张植物的图片，需要一个黑色的底板，一张A4纸，拍摄时需要将植物叶面放平，A4纸的四个直角都需要拍摄进照片中，确保A4纸与底下的黑色卡纸在照片边上有黑边（既是为了方便拍摄，也是为了方便计算）：

然后我们的步骤是：

找出照片中的最大轮廓（此时理所当然是我们的A4纸）→进行图像的矫正透视变换将照片的黑边去掉

如何一步到位拿到真实值？

我们知道要想得到真实的叶面积、叶直径和叶周长，需要一些已知长度的东西来作为比例对照物，这里我选择用A4纸来作为现实比例对照物，通过

公式（1）：测得植物像素值/植物真实值=测得A4纸像素值/A4真实值

这里面的“测得植物像素值”“测得A4纸像素值”和“A4真实值”我们都知道，那么就可以计算植物真实值。

如何得到植物的真实叶面积？

去黑边照片→找到最大轮廓（理所当然是植物轮廓）→得到轮廓的像素面积→公式（1）计算

如何得到植物的真实叶直径？

去黑边照片→找到最大轮廓（理所当然是植物轮廓）→对该轮廓画圆→得到圆的直径（直径即为植物叶直径）→公式（1）计算

如何得到植物的真实叶周长？

去黑边照片→找到最大轮廓（理所当然是植物轮廓）→得到该轮廓周长（该轮廓周长即为植物叶周长）→公式（1）计算

源码分享：

img1为带黑边的原始图像，warp_imgs为图像矫正透视变换后的去黑边图像，其余py文件分享在下面,计算周长的代码自行去获取轮廓周长套公式（1）进行计算:

get_area_final.py:

import cv2
import numpy as npdef sort_contours_size(cnts):"""根据大小对轮廓进行排序"""cnts_sizes = []for contour in cnts:cnt_size = cv2.contourArea(contour)cnts_sizes.append([cnt_size,contour])cnts_sizes.sort(key=lambda x:x[0], reverse=True)return cnts_sizesdef get_area_main(path):img = cv2.imread(path)#变成单通道的黑白图片gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#二值化 返回阈值和二值化后图thresh,binary = cv2.threshold(gray,150,255,cv2.THRESH_BINARY)# cv2.imshow("img1",binary)# cv2.waitKey(0)# cv2.destroyAllWindows()# 查找轮廓 返回轮廓和层级contours, hierarchy = cv2.findContours(binary.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制轮廓会直接修改原图img_copy = img.copy()cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)# cv2.imshow('img_con', img_copy)# cv2.waitKey(0)# cv2.destroyAllWindows()contour_sizes = sort_contours_size(contours)cnt = contour_sizes[1][1](x, y), radius = cv2.minEnclosingCircle(cnt)center = (int(x), int(y))radius = int(radius)# print(center,radius)cv2.circle(img_copy, center, radius, (255, 0, 0), 2)# cv2.imshow('img_con2', img_copy)# cv2.waitKey(0)# cv2.destroyAllWindows()p_zhi = contour_sizes[0][0]p_ye = contour_sizes[1][0]# print(p_zhi,p_ye)s_zhi = 623.7  # 纸29.7 21s_ye = (p_ye * s_zhi) / p_zhizhi_chang_jia=img.shape[0]zhi_changzheng=29.7ye_long_zheng=(zhi_changzheng*2*radius)/zhi_chang_jiareturn s_ye,ye_long_zheng
# path="warp_imgs/warp3.jpg"
# img = cv2.imread(path)
# print(img.shape[0])

get_warp_img_final.py:

import cv2
import numpy as npminArea = 1000
filter = 4
scale = 2
wp = 210 * scale
hp = 297 * scale
def getContours(img):imgG = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)imgBlur = cv2.GaussianBlur(imgG,(5,5),1)imgCanny = cv2.Canny(imgBlur,100,100)kernel = np.ones((5,5))imgDial = cv2.dilate(imgCanny,kernel,iterations=3)imgThre = cv2.erode(imgDial,kernel,iterations=2)# cv2.imshow('res',imgCanny)# cv2.imshow('res2',imgThre)contours, hiearchy = cv2.findContours(imgThre,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)finalCountours = []for i in contours:area = cv2.contourArea(i)if area> minArea:# 计算轮廓的周长，true表示轮廓为封闭peri = cv2.arcLength(i,True)#进行轮廓的多边拟合appprox = cv2.approxPolyDP(i,0.02*peri,True)bbox = cv2.boundingRect(appprox)if filter > 0 :if(len(appprox))==filter:finalCountours.append([len(appprox),area,appprox,bbox,i,peri])else:finalCountours.append([len(appprox), area, appprox, bbox, i,peri])# 对第二个数值面积进行排序，为升序，找出轮廓的最大值finalCountours = sorted(finalCountours, key=lambda x: x[1], reverse=True)for con in finalCountours:cv2.drawContours(img,con[4],-1, (0, 0, 255), 4)return img,finalCountoursdef reorder(myPoints):#print(myPoints.shape)myPointsNew = np.zeros_like(myPoints)myPoints = myPoints.reshape((4,2))add = myPoints.sum(1)myPointsNew[0] = myPoints[np.argmin(add)]myPointsNew[3] = myPoints[np.argmax(add)]diff = np.diff(myPoints,axis=1)myPointsNew[1]= myPoints[np.argmin(diff)]myPointsNew[2] = myPoints[np.argmax(diff)]# print(myPoints)# print(myPoints)return myPointsNewdef warpImg (img,points,w,h,pad=20):# print(points)points =reorder(points)pts1 = np.float32(points)pts2 = np.float32([[0,0],[w,0],[0,h],[w,h]])matrix = cv2.getPerspectiveTransform(pts1,pts2)imgWarp = cv2.warpPerspective(img,matrix,(w,h))imgWarp = imgWarp[pad:imgWarp.shape[0]-pad,pad:imgWarp.shape[1]-pad]return imgWarpdef get_warp_main(path):img = cv2.imread(path)img = cv2.resize(img, (0, 0), None, 0.5, 0.5)imgcon, cons= getContours(img)if(len(cons)!=0):maxbox = cons[0][2]new_maxbox = reorder(maxbox)# cv2.imshow('img', imgcon)imgWarp = warpImg(imgcon, new_maxbox, wp, hp)# cv2.imshow('imgWarp',imgWarp)name = path.split('/')[-1]cv2.imwrite("./warp_imgs/warp{}".format(name), imgWarp)

main_final.py:

"""利用opencv读取并显示一个目录下的全部图片"""
import os
import cv2
from get_area_final import get_area_main
from get_warp_img_final import get_warp_main
path = './img1'
# 读取path文件夹下所有文件的名字
imagelist = os.listdir(path)
print(imagelist)
i = 0
for imgname in imagelist:if (imgname.endswith(".jpg")):full_path = path + '/' + imgnameget_warp_main(full_path)name = imgname.split('.')[0]print('name:',imgname,"完成")i += 1
print(i)path = './warp_imgs'
# 读取path文件夹下所有文件的名字
imagelist = os.listdir(path)
print(imagelist)
i = 0
for imgname in imagelist:if (imgname.endswith(".jpg")):full_path = path + '/' + imgnameget_area,get_long = get_area_main(full_path)name = imgname.split('.')[0]print('name:',imgname,"area:",get_area,"long:",get_long)i += 1
print(i)

如果这篇文章能够帮助到你的话，还请点个赞赞呀！

Guff_hys_python数据结构,大数据开发学习,python实训项目-CSDN博客

OpenCV是一个开源的计算机视觉和机器学习软件库。它由一系列用C++和Python编写的函数构成，可以在Windows、Linux和Mac操作系统上运行。OpenCV提供了一系列用于图像处理、计算机视觉、模式识别和机器学习的工具和算法，包括图像处理、特征检测、目标识别、运动跟踪、立体视觉和深度学习等功能。OpenCV的应用领域包括医学图像处理、人脸识别、行人检测、自动驾驶、机器人视觉和增强现实等。由于其功能强大和易用性，OpenCV已经成为计算机视觉和图像处理领域的重要工具之一。