采用Python语言编写，并结合Tkinter GUI工具制作交互式小程序开发，实现了简单的水果的边缘提取和分类。如图1-A，用户可以自定义选择路径并输出，同时可以在对话框中输入/输出结果，如图1-B。


A 界面展示	B 交互展示

图1 Tkinter GUI 展示

技术路线

本次课程实践一整体设计分为三个部分：

利用Python实现图像处理的基础功能
利用Python实现图像二值化并提取边缘
利用①中的波谱信息以及②中处理后的边缘特征对水果进行分类

图2 技术路线图

一、界面设计部分

利用python中的tkinter GUI 进行交互式设计

    def __init__(self, master, entry, entry1):self.master = masterself.entry = entryself.entry1 = entry1# self.gray = grayentry = tk.Entry(self.master, state='readonly', text=path, width=100, bg="#E0FFFF", justify='center')entry.configure(fg='red', bg="#E0FFFF")entry.pack()self.b1 = tk.Button(self.master, text='加载图像', command=self.select_img, fg="red", bg="#E0FFFF")self.b1.pack()self.b2 = tk.Button(self.master, text='分波段显示', command=self.seperateband, fg="red", bg="#E0FFFF")self.b2.pack()self.b3 = tk.Button(self.master, text='多波段合成', command=self.multibands, fg="red", bg="#E0FFFF")self.b3.pack()self.b4 = tk.Button(self.master, text='直方图绘制', command=self.historgram, fg="red", bg="#E0FFFF")self.b4.pack()self.b5 = tk.Button(self.master, text='图像灰度化', command=self.Gray, fg="red", bg="#E0FFFF")self.b5.pack()self.b6 = tk.Button(self.master, text='阈值分割', command=self.binary, fg="red", bg="#E0FFFF")self.b6.pack()self.b7 = tk.Button(self.master, text='Sobel算子', command=self.Sobel, fg="red", bg="#E0FFFF")self.b7.pack()self.b8 = tk.Button(self.master, text='Canny边缘提取', command=self.boundary, fg="red", bg="#E0FFFF")self.b8.pack()self.b9 = tk.Button(self.master, text='边缘生长', command=self.grow, fg="red", bg="#E0FFFF")self.b9.pack()self.b10 = tk.Button(self.master, text='区域填充', command=self.fillgrow, fg="red", bg="#E0FFFF")self.b10.pack()entry1 = tk.Entry(self.master, state='readonly', text=num, width=100, bg="#E0FFFF", justify='center')entry1.configure(fg='red', bg="#E0FFFF")entry1.pack()

二、图像读取

算法步骤

Tkinter交互式选择图片
GDAL库读取影像
借助matplotlib显示
源代码

    def select_img(self):# 路径选择框path_ = tk.filedialog.askopenfilename()path.set(path_)print('path', path_)self.entry = path_datafile = gdal.Open(str(path_))win1 = tk.Toplevel(self.master)win1.title('图像加载')win1.geometry('600x400')plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsefig1 = plt.figure(figsize=(6, 4))canvas1 = FigureCanvasTkAgg(fig1, master=win1)canvas1.draw()canvas1.get_tk_widget().grid()band1 = datafile.GetRasterBand(1).ReadAsArray()band2 = datafile.GetRasterBand(2).ReadAsArray()band3 = datafile.GetRasterBand(3).ReadAsArray()img1 = np.dstack((band1, band2, band3))ax1 = fig1.add_subplot(111)ax1.set_title('真彩色', fontsize=10)ax1.imshow(img1)

三、直方图绘制

算法步骤

GDAL逐个读取波段
对于每个波段，将[0,255]划分为等间隔的小区间，并统计每个区间上样本出现的频数之和。
Matplotlib显示

源代码

    def historgram(self):win4 = tk.Toplevel(self.master)win4.title('直方图绘制')win4.geometry('800x600')src = gdal.Open(str(self.entry))r = src.GetRasterBand(1).ReadAsArray()g = src.GetRasterBand(2).ReadAsArray()b = src.GetRasterBand(3).ReadAsArray()plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsefig4 = plt.figure(figsize=(8, 6))canvas4 = FigureCanvasTkAgg(fig4, master=win4)canvas4.draw()canvas4.get_tk_widget().grid()# 真彩色img = np.dstack([r, g, b])ax1 = fig4.add_subplot(221)plt.imshow(img)plt.axis('off')ax1.set_title("(a)原始图像")# 绘制蓝色分量直方图ax2 = fig4.add_subplot(222)plt.hist(b.ravel(), bins=256, density=1, facecolor='b', edgecolor='b', alpha=0.75)# plt.xlabel("x")# plt.ylabel("y")ax2.set_title("(b)蓝色分量直方图")# 绘制绿色分量直方图ax3 = fig4.add_subplot(223)plt.hist(g.ravel(), bins=256, density=1, facecolor='g', edgecolor='g', alpha=0.75)# plt.xlabel("x")# plt.ylabel("y")ax3.set_title("(c)绿色分量直方图")# 绘制红色分量直方图ax4 = fig4.add_subplot(224)plt.hist(r.ravel(), bins=256, density=1, facecolor='r', edgecolor='r', alpha=0.75)# plt.xlabel("x")# plt.ylabel("y")ax4.set_title("(d)红色分量直方图")

四、图像灰度化

常见的图像灰度化有三种方式：

算法步骤

GDAL逐波段读取图像
选择r、g、b三波段（有些图像为32bit，及包括RGB+Alpha位）
将r、g、b三波段利用numpy组合
利用rgb2gray函数进行转换，对应转化比例如表三所示
Matplotlib显示

源代码

    def Gray(self):win5 = tk.Toplevel(self.master)win5.title('图像灰度化')win5.geometry('600x400')fig5 = plt.figure(figsize=(6, 4))canvas5 = FigureCanvasTkAgg(fig5, master=win5)canvas5.draw()canvas5.get_tk_widget().grid()datafile = gdal.Open(str(self.entry))band1 = datafile.GetRasterBand(1).ReadAsArray()band2 = datafile.GetRasterBand(2).ReadAsArray()band3 = datafile.GetRasterBand(3).ReadAsArray()img0 = np.dstack((band1, band2, band3))# 读入中文路径img = cv2.imdecode(np.fromfile(self.entry, dtype=np.uint8), cv2.IMREAD_COLOR)plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falseax1 = fig5.add_subplot(121)ax1.imshow(img0)ax1.set_title('original')# 灰度化ax2 = fig5.add_subplot(122)ax2.set_title('gray')gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)# gray = rgb2gray(img)ax2.imshow(gray, cmap=plt.get_cmap('gray'))def rgb2gray(rgb):# 灰度化原理Y' = 0.299 R + 0.587 G + 0.114 Breturn np.dot(rgb[..., :3], [0.299, 0.587, 0.114])

五、边缘检测

常用的边缘检查的方法大致可以分为两类：①基于查找：通过寻找图像一阶导数中最大值和最小值来检测边界，例如Sobel算子、Roberts Cross算法等。②基于零穿越的：通过寻找图像二阶导数零穿越来寻找边界,例如Canny算子、Laplacian算子等。

5.1Sobel算子

算法介绍

Sobel算子思想：取 3 行 3 列的图像数据，将图像数据与对应位置的算子的值相乘再相加，得到x方向的Gx，和y方向的Gy，将得到的Gx和Gy，平方后相加，再取算术平方根，得到Gxy，近似值为和绝对值之和。将计算得到的阈值比较。若大于阈值，则表明该点为边界点，设置DN值为0，否则为255。

结果

源代码

    def Sobel(self):win7 = tk.Toplevel(self.master)win7.title('Sobel算子')win7.geometry('600x400')fig7 = plt.figure(figsize=(6, 4))canvas7 = FigureCanvasTkAgg(fig7, master=win7)canvas7.draw()canvas7.get_tk_widget().grid()img = cv2.imdecode(np.fromfile(self.entry, dtype=np.uint8), cv2.IMREAD_COLOR)plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False# 转灰度图像d = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)sp = d.shapeprint(sp)height = sp[0]weight = sp[1]sx = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])sy = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])dSobel = np.zeros((height, weight))dSobelx = np.zeros((height, weight))dSobely = np.zeros((height, weight))Gx = np.zeros(d.shape)Gy = np.zeros(d.shape)for i in range(height - 2):for j in range(weight - 2):Gx[i + 1, j + 1] = abs(np.sum(d[i:i + 3, j:j + 3] * sx))Gy[i + 1, j + 1] = abs(np.sum(d[i:i + 3, j:j + 3] * sy))dSobel[i + 1, j + 1] = (Gx[i + 1, j + 1] * Gx[i + 1, j + 1] + Gy[i + 1, j + 1] * Gy[i + 1, j + 1]) ** 0.5dSobelx[i + 1, j + 1] = np.sqrt(Gx[i + 1, j + 1])dSobely[i + 1, j + 1] = np.sqrt(Gy[i + 1, j + 1])a = np.uint8(dSobel)b = np.uint8(dSobelx)c = np.uint8(dSobel)img = img[:, :, ::-1]image1 = np.dstack([a, a, a])image2 = np.dstack([b, b, b])image3 = np.dstack([c, c, c])ax1 = fig7.add_subplot(111)ax1.imshow(image1)ax1.set_title('Sobel')

5.2 阈值分割

算法介绍

本问采用采取自适应局部滤波算法，主要包括两种情形：

均值：以计算区域像素点灰度值的平均值作为该区域所有像素的灰度值，起到平滑或滤波作用。
高斯加权和：将区域中点（x，y）周围的像素根据高斯函数加权计算他们离中心点的距离。

本文中采用高斯加权法进行局部阈值分割，并设置了5*5、7*7、11*11、13*13四种邻域范围，对比不同邻域下的分割效果。

算法步骤

图像灰度化
不同邻域下高斯加权法的局部阈值分割
Matplotlib显示

结果

源代码

    def binary(self):win6 = tk.Toplevel(self.master)win6.title('阈值分割')win6.geometry('800x600')fig6 = plt.figure(figsize=(8, 6))canvas6 = FigureCanvasTkAgg(fig6, master=win6)canvas6.draw()canvas6.get_tk_widget().grid()# 读入中文路径img = cv2.imdecode(np.fromfile(self.entry, dtype=np.uint8), cv2.IMREAD_COLOR)plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = Falsegray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)# 二值化binary1 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 5)binary2 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 7, 5)binary3 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 5)binary4 = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 13, 5)ax3 = fig6.add_subplot(221)ax3.set_title('kernal 5*5')image1 = np.dstack([binary1, binary1, binary1])ax3.imshow(image1)ax4 = fig6.add_subplot(222)ax4.set_title('kernal 7*7')image2 = np.dstack([binary2, binary2, binary2])ax4.imshow(image2)ax5 = fig6.add_subplot(223)ax5.set_title('kernal 11*11')image3 = np.dstack([binary3, binary3, binary3])ax5.imshow(image3)ax6 = fig6.add_subplot(224)ax6.set_title('kernal 13*13')image4 = np.dstack([binary4, binary4, binary4])ax6.imshow(image4)# cv2.imwrite("image_binary.png", binary4)

5.3 Canny算子

Canny算子流程

高斯滤波去噪
计算梯度大小和梯度方向，其中梯度方向为 $\Theta$
对梯度幅值图像进行非极大抑制（边缘的方向与梯度方向垂直）
双阈值处理和连接性分析确定边界

处理步骤

图像灰度化
高斯滤波处理
计算图像各方位的梯度大小和方向
对垂直于梯度方向的边缘进行非极大值抑制
进行双阈值处理和连结性分析确定边界
Matplotlib显示

结果

源代码

    def boundary(self):win8 = tk.Toplevel(self.master)win8.title('Canny_boundary')win8.geometry('600x400')fig8 = plt.figure(figsize=(6, 4))canvas8 = FigureCanvasTkAgg(fig8, master=win8)canvas8.draw()canvas8.get_tk_widget().grid()img = cv2.imdecode(np.fromfile(self.entry, dtype=np.uint8), cv2.IMREAD_COLOR)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (3, 3), 0)xgrad = cv2.Sobel(blurred, cv2.CV_16SC1, 1, 0)ygrad = cv2.Sobel(blurred, cv2.CV_16SC1, 0, 1)edge_output = cv2.Canny(xgrad, ygrad, 50, 150)edge_image = np.dstack([edge_output, edge_output, edge_output])ax1 = fig8.add_subplot(111)ax1.imshow(edge_image)ax1.set_title('Canny_boundary')

5.4区域生长

对于上述三种边缘提取的算法（Sobel算子、阈值分割、Canny算子）而言，可以分析得出：

Sobel算子阴影处理效果不好，分界线不清晰

优点：输出图像(数组)的元素通常具有更大的绝对数值。

缺点：由于边缘是位置的标志，对灰度的变化不敏感。

自适应局部阈值法中，实验表明邻域为11*11时效果好，但斑点噪声多，不利于后处理。
Canny算子处理完之后为无阴影的二值图像，但部分边缘缺失。

优点：Canny算子增加了非极大值抑制以及双阈值方法，因此排除了非边缘点的干扰，检测效果更好，且标识出的边缘要与实际图像中的实际边缘尽可能接近。

缺点：图像中的边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。

就算对于效果最好的Canny算子而言，仍然存在一定的边缘缺失。因此我们考虑利用中心对称特性将其补全。

核心思想

由于在实际拍照过程中考虑到到光照等因素的原因，检测出的边缘会存在边缘缺失的情况，而为了提取出完整的边缘，我们需要对缺失部分进行补全。

又考虑到水果总是关于其中心对称的，因此沃恩可以采取判断每一个已知边缘点关于中心对称的点灰度值是否为255即可。

算法流程

执行Canny边缘提取
对提取后的数组进行遍历，求取其长、宽以及相对位置中心
构建与边缘提取后数组大小相同的新数组，并利用中心对称性对缺失值进行补全
Matplotlib显示

结果

处理前：

处理后：

源代码

    def grow(self):# 生成新空间~win9 = tk.Toplevel(self.master)win9.title('边缘生长')win9.geometry('600x400')fig9 = plt.figure(figsize=(6, 4))canvas9 = FigureCanvasTkAgg(fig9, master=win9)canvas9.draw()canvas9.get_tk_widget().grid()# img[:,:,0]获取band1 shape：360，480img = cv2.imdecode(np.fromfile(self.entry, dtype=np.uint8), cv2.IMREAD_COLOR)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (3, 3), 0)xgrad = cv2.Sobel(blurred, cv2.CV_16SC1, 1, 0)ygrad = cv2.Sobel(blurred, cv2.CV_16SC1, 0, 1)edge_output = cv2.Canny(xgrad, ygrad, 50, 150)# print(edge_output)width, height = edge_output.shape# print(width, height)  # 360 480list_x = []list_y = []value = []for i in range(width):for j in range(height):if (edge_output[i][j] != 0):list_x.append(i)list_y.append(j)value.append(edge_output[i][j])# print(i, j)# print(edge_output[i][j])x_max = max(list_x)x_min = min(list_x)# print(x_max, x_min)x_mean = int((x_max + x_min) / 2)# print('x_mean', x_mean)y_max = max(list_y)y_min = min(list_y)img1 = cv2.rectangle(img, (y_min, x_min), (y_max, x_max), (0, 255, 0), 2)  # 红y_mean = int((y_max + y_min) / 2)visited = np.zeros(shape=(edge_output.shape), dtype=np.uint8)for i in range(len(list_x)):x = list_x[i]y = list_y[i]# visited[x][y] = 1if x < x_mean and y < y_mean:directs = [(1, 0), (1, 1), (0, 1)]if x >= x_mean and y < y_mean:directs = [(-1, 0), (0, 1), (-1, 1)]if x < x_mean and y >= y_mean:directs = [(1, 0), (1, -1), (0, -1)]if x >= x_mean and y >= y_mean:directs = [(-1, 0), (-1, -1), (0, -1)]for direct in directs:current_x = x + direct[0]current_y = y + direct[1]if current_x < x_min or current_y < y_min or current_x >= x_max or current_y >= y_max:continue# if (not visited[current_x][current_y]) and (edge_output[current_x][current_y] == edge_output[x][y]):if (not visited[current_x][current_y]):edge_output[current_x][current_y] = 255visited[current_x][current_y] = 1x = 2 * x_mean - current_xy = 2 * y_mean - current_y# if(not visited[x][y] and current_y>y_mean and current_x<x_mean):if (not visited[x][y]):# 关于原点中心对称# 令关于远点对称点为(x,y)edge_output[x][y] = 255visited[x][y] = 1contours, heriachy = cv2.findContours(edge_output, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)max1 = 0maxA = 0print(contours, heriachy)for i, contour in enumerate(contours):x, y, w, h = cv2.boundingRect(contour)if w * h > maxA:max1 = imaxA = w * hcv2.drawContours(img1, contours, max1, (0, 0, 255), 2)band1 = img1[:, :, 0]band2 = img1[:, :, 1]band3 = img1[:, :, 2]ax1 = fig9.add_subplot(111)image = np.dstack([band3, band2, band1])ax1.imshow(image)ax1.set_title('boundary')

六、分类

	边缘处理	区域生长	Result
Orange1			面积：597069 种类：橙子
Orange2			面积：362935 种类：橙子
Lemon			面积：130258 种类：柠檬

本模式识别任务为本人课程实践中所作，受于水平有限，很多地方存在漏洞，欢迎大家批评指正~

程序下载可见下网址

https://download.csdn.net/download/m0_51301348/86728190

基于Python+Tkinter GUI 的模式识别水果分类小程序相关推荐

基于python的毕业设计本地健康宝微信小程序
基于Python/Tkinter的RGB颜色查询器
这是基于Python/Tkinter的16位RGB颜色查询器,因为之前在做WEB前端设计配色方案的时候,需要了解色值,每次用网页查询颜色对应的RGB值和HEX值,很不方便,所以就想写个单机程序,原本是 ...
基于Python/Tkinter的飞机大战单机小游戏
这是很早之前课余时间写的基于Python/Tkinter单机小游戏,用来练手,今天将代码贴出来,方便大家一起学习,通过Py/Tk对于学习GUI作为一个入口,其实是个不错入口,在这里推荐一下Tcl/Tk ...
Python之GUI：基于Python的GUI界面设计的一套AI课程学习(机器学习、深度学习、大数据、云计算等)推荐系统(包括语音生成、识别等前沿黑科技)
Python之GUI:基于Python的GUI界面设计的一套AI课程学习(机器学习.深度学习.大数据.云计算等)推荐系统(包括语音生成.识别等前沿黑科技) 导读基于Python的GUI界面设计的一套 ...
python点名代码_基于python tkinter的点名小程序功能的实例代码
基于python tkinter的点名小程序功能的实例代码,花名册,次数,窗口,未找到,初始化基于python tkinter的点名小程序功能的实例代码易采站长站,站长之家为您整理了基于pytho ...
【基于Python+tkinter的音乐播放器开发-哔哩哔哩】 https://b23.tv/eG2TwOL
[基于Python+tkinter的音乐播放器开发-哔哩哔哩] https://b23.tv/eG2TwOL https://b23.tv/eG2TwOL
基于Python tensorflow2.3实现的水果识别系统源码+模型+数据集，卷积神经网络的入门案例
水果识别-基于tensorflow2.3实现水果识别是卷积神经网络的入门案例,这里我将模型的训练.测试.保存以及使用整合在了一起,至于原理部分,大家可以参考知乎或者B站上的回答,在这里我就不赘述了 ...
基于python+tkinter的学生成绩信息管理系统
基于python+tkinter的学生成绩信息管理系统系统设计 2.开发工具开发语言:python3.6.8 开发工具:JetBrains PyCharm 2019.1.2 x64 使用三方模块: ...
从入门到入土：基于Python采用TCP协议实现通信功能的程序
此博客仅用于记录个人学习进度,学识浅薄,若有错误观点欢迎评论区指出.欢迎各位前来交流.(部分材料来源网络,若有侵权,立即删除) 本人博客所有文章纯属学习之用,不涉及商业利益.不合适引用,自当删除! 若 ...

基于Python+Tkinter GUI 的模式识别水果分类小程序

技术路线

一、界面设计部分

二、图像读取

算法步骤

源代码

三、直方图绘制

算法步骤

源代码

四、图像灰度化

算法步骤

源代码

五、边缘检测

5.1Sobel算子

算法介绍

结果

源代码

5.2 阈值分割

算法介绍

算法步骤

结果

源代码

5.3 Canny算子

处理步骤

结果

源代码

5.4区域生长

核心思想

算法流程

结果

处理前：

处理后：

源代码

六、分类

本模式识别任务为本人课程实践中所作，受于水平有限，很多地方存在漏洞，欢迎大家批评指正~

程序下载可见下网址

基于Python+Tkinter GUI 的模式识别水果分类小程序相关推荐

最新文章

热门文章