图像中目标or内容疏密程度判断

比较简单，已基本满足我的需求。留了两个参数可调，根据不同需求来调节，我的是调的20，0.51就够了。测试了几百张图OK。

/** sparseDense.h*   实验开始，第一次人工停止对焦的图片，判断样液浓度是否不符合要求*  是否太密，太密软件会报警要求稀释样液。*  Created on: 2019年10月10日*      Author: root wangdan*      version:V1.0.0*/#ifndef SRC_SPARSEDENSE_H_
#define SRC_SPARSEDENSE_H_#include <opencv2/opencv.hpp>
#include <opencv2/imgproc/imgproc.hpp>using namespace std;
using namespace cv;class sparseDense {
public:sparseDense();virtual ~sparseDense();/*input:inputbgra--输入图像，人工“停止对焦”那一刻的图像*      windowsize-局部距离值的窗口,越小，疏密判断越准确，但不能太小,建议20*        thresh-----太密的局部区域占所有局部区域的比，大于此值报警太密，建议0.55*output:-1--------输入图像有问题，空图*         0--------浓度符合要求（不密）。*         1--------浓度过密，软件报警。* */int calculateSparseDense(unsigned char *image_pointer,int windowsize,double &thresh);private:int imgrows;int imgcols;Mat inputbwimg;int lastrows;int lastcols;//距离图每20x20计算一个最频繁的距离值,局部距离值的窗口//越小，疏密判断越准确，但不能太小，>=10;建议=20int winsize;//winsizexwinsize窗口内,最频繁的距离值>distanthresh,那么此窗口不密;否则过密//越大表示希望仪器希望接受的程度偏稀;越小表示仪器希望接受更密程度 distanthresh=winsizeint distanthresh;int fillholeCalcDistance(vector<int> &maxvalues);
};#endif /* SRC_SPARSEDENSE_H_ */

#include "sparseDense.h"sparseDense::sparseDense() {// TODO Auto-generated constructor stubimgrows=2048;imgcols=2448;
//  Mat inputbwimg;lastrows=imgrows/4;lastcols=imgcols/4;winsize=20;distanthresh=winsize;
}int sparseDense::calculateSparseDense(unsigned char *image_pointer,int windowsize,double &thresh)
{winsize=windowsize;distanthresh=windowsize;if(image_pointer==NULL){return -1;}Mat inputbgra(imgrows,imgcols,CV_8UC4);size_t primary_size_=imgrows*imgcols*4*sizeof(uchar);memcpy(inputbgra.data,image_pointer,primary_size_);Mat inputgray,inputbw;cv::cvtColor(inputbgra,inputgray,CV_BGRA2GRAY);cv::threshold(inputgray,inputbw,120,255,THRESH_BINARY_INV);cv::Size lastsize;lastsize.height=lastrows;lastsize.width=lastcols;resize(inputbw, inputbwimg, lastsize);vector<int> maxsvalues;fillholeCalcDistance(maxsvalues);int satisfynumber=0;int localmax=maxsvalues.size();for(int idx=0;idx!=localmax;idx++){satisfynumber+=maxsvalues[idx];}double ratio=double(satisfynumber)/localmax;//cout<<"ratio is: "<<ratio<<endl;if(ratio>thresh){return 1;//太密，报警}return 0;
}int sparseDense::fillholeCalcDistance(vector<int> &maxvalues)
{std::vector<std::vector<cv::Point> > contours;std::vector<Vec4i> hierarchy;findContours(inputbwimg, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_SIMPLE);Mat bwlast=Mat::zeros(lastrows,lastcols,CV_8UC1);for (int idx = 0; idx != (int)contours.size(); idx++){drawContours(bwlast, contours, idx, Scalar(255), CV_FILLED);}//imwrite("bw.jpg",bwlast);cv::bitwise_not(bwlast,inputbwimg);//imwrite("bwnot.jpg",inputbwimg);Mat distance;distanceTransform(inputbwimg, distance, CV_DIST_L2, 3);//距离图每25x25计算一个局部最大值，图像共有N个局部最大值int maxsidxr=1;while(maxsidxr*winsize<lastrows){int maxsidxc=1;while(maxsidxc*winsize<lastcols){//统计当前局部方块的距离值int numlocal=winsize*winsize;int localdistance[numlocal]={0};for(int r=(maxsidxr-1)*winsize;r!=maxsidxr*winsize;r++){for(int c=(maxsidxc-1)*winsize;c!=maxsidxc*winsize;c++){int current=int(distance.ptr<float>(r)[c]);if(current>0 && current<numlocal){localdistance[current]+=1;}}}//当前局部方块距离值主要集中在哪个区间int maxdistsum=0,maxdist=0;for(int idx=0;idx!=numlocal;idx++){if(localdistance[idx]>maxdistsum){maxdistsum=localdistance[idx];maxdist=idx;}}//当前局部最大值计算完毕//cout<<maxdist<<" ";//当前局部最大值如果大于阈值，证明此局部是比规定浓度还稀，符合要求;//否则，此局部比规定浓度密，不符合要求;int isdense=0;int notsparse=1;if(maxdist<distanthresh){maxvalues.push_back(notsparse);}else{maxvalues.push_back(isdense);}//移到此行下一列方块maxsidxc++;}//cout<<endl;//列所有局部最大值计算完毕maxsidxr++;}//行所有局部最大值计算完毕return 0;
}sparseDense::~sparseDense() {// TODO Auto-generated destructor stub
}

测试了几百张图片，各种形状各种大小的目标的图像，发现判断还比较准确。

但是有一个前提，图像中的目标一定要比较均匀，不能图像的左下角密密麻麻而另外四分之三图像都没目标，这种极度不均匀的情况是不行的，不能作为输入图像。因为我们判断一个试管中样液是否浓或稀，一定要摇晃均匀才看整体浓或稀。反正就是目标可以有不同形状不同大小，但输入图像不能极度不均匀。输入图像整体越均匀，那么算法判断越准确。

小不点的美图。

图像中目标or内容疏密程度判断相关推荐

图像中目标的绝对位置信息(2)--Global Pooling, More than Meets the Eye: Position Information is Encoded Channel-
关于偶数卷积核和padding的副作用可以参考这个博客. 首先,本文是翻译了 ICCV 2021的一篇文章:Global Pooling, More than Meets the Eye: Posit ...
Opencv学习记录(三) —— 得到图像中目标物坐标的简单处理算法（望指正与补充）
先描述一下使用场景: 我要识别一个红灯,已经把目标准确的提取出来了,二值图像中白色为目标物,现在要算出二值图中的白色像素点的坐标.因为之后需要移植到树莓派,所以需要高效的方法. ...
python 傅立叶函数_python-如何从图像中去除高频内容以进行傅立叶逆变换
我在opencv中看到几个文档对此进行了解释,但是我的目标是使用numpy&卑鄙的我想我必须用某种圆形来遮盖频谱的外部区域,因为我用60×60矩形遮盖了频谱的中心以进行低频滤波.但我不知道如 ...
全球首个大规模虐童图像数据库！标记15万图像、20类信息，自动判断图片是否违法...
NEW 关注剁手日记视频号最新视频→[暮云白版DJI Pocket 2来啦] 来源|大数据文摘文|Mickey 去年3月份,韩国N号房一事被曝光,黑产集团用裸照威逼利诱女性.幼童,对受害者实施性剥 ...
matlab实现大气湍流退化模型算法,大气湍流下退化序列图像的目标检测方法
引言目标检测是计算机视觉的重要应用之一, 是后续目标识别.跟踪.目标分类以及行为分析的前提.远距离成像时通常会受到复杂变化的大气湍流影响, 使得成像结果中存在不规则抖动.偏移和模糊等退化现象[.因此 ...
ITK:删除一个未连接到其边界的二进制图像中的孔
ITK:删除一个未连接到其边界的二进制图像中的孔内容提要输出结果 C++实现代码内容提要删除一个未连接到其边界的二进制图像中的孔.在这种情况下,图像的前景值为零(黑色),并且所有内容均填充在黑 ...
ITK:用颜色标记图像中的区域
ITK:用颜色标记图像中的区域内容提要输出结果 C++实现代码内容提要用颜色标记图像中的区域输出结果 C++实现代码 #include "itkBinaryImageToLabel ...
ITK:从图像中提取轮廓
ITK:从图像中提取轮廓内容提要输出结果 C++实现代码内容提要从图像中提取轮廓. 输出结果 There are 2 contoursContour 0: [10.5, 19] [10.460 ...
ITK:自定义操作以对应两个图像中的像素
ITK:自定义操作以对应两个图像中的像素内容提要输出结果 C++实现代码内容提要对两个图像中的相应像素应用预定义的操作. 输出结果 pixel1 was = 2 pixel2 was = 5 ...

图像中目标or内容疏密程度判断

图像中目标or内容疏密程度判断相关推荐

最新文章

热门文章