边缘识别+轮廓识别+边框+二值化
机器视觉 图片处理
- 一：图片二值化
- 1. 什么是二值化
- 2. 代码
- 3. 结果展示
- 二：寻找物体轮廓
- 1. 主要函数
- 2. 代码
- 3.结果展示
- 三：二值化+边框
- 四：结语
边缘识别+轮廓识别+边框+二值化
环境：ubuntu+python
部分代码摘自网络
一：图片二值化
1. 什么是二值化
将图像上的像素点的灰度值设为0或255，整个图像呈现出黑白效果。
所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，
否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
2. 代码
# 图片二值化
from PIL import Image
img = Image.open('p16.jpg')# 模式L”为灰色图像
Img = img.convert('L')
Img.save("test1.jpg") #保存# 自定义灰度界限
threshold = 200
table = []
for i in range(256):if i < threshold:table.append(0)else:table.append(1)# 二值化并保存
photo = Img.point(table, '1')
photo.save("test2.jpg")
3. 结果展示
分别为原图-灰度图-黑白图，对结果不满意可进行进一步降噪操作。
二：寻找物体轮廓
本部分代码参考 Python+Opencv测量物体之间的距离
1. 主要函数
@图片处理
# 执行灰度变换
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)#颜色空间转换函数，需要转换的图片，转换成何种格式。
gray = cv2.GaussianBlur(gray, (7, 7), 0) #高斯滤波
@边缘检测
edged = cv2.Canny(gray, 50, 100)# 执行Canny边缘检测
edged = cv2.dilate(edged, None, iterations=1)#膨胀：求局部最大值，使图像中的高亮区域逐渐增长
edged = cv2.erode(edged, None, iterations=1)#腐蚀：求局部最小值
#先膨胀后腐蚀，闭运算，填充物体内黑洞，连接邻近物体和平滑边界
@寻找轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#参数1：原图像；参数2：轮廓信息的组织形式：只有外侧轮廓；参数3：压缩水平方向，垂直方向，对角线方向的元素，只保留端点；
返回值：输出：image图片（opencv3才有）；
轮廓contours：list结构，列表中每个元素代表一个边沿信息。每个元素是(x,1,2)的三维向量，x表示该条边沿里共有多少个像素点，第三维的那个“2”表示每个点的横、纵坐标；
hierarchy:返回类型是(x,4)的二维ndarray。x和contours里的x是一样的意思。四列分别对应下一个轮廓编号、上一个轮廓编号、父轮廓编号、子轮廓编号，该值为负数表示没有对应项。
@外接矩形（打框）
box = cv2.minAreaRect(c) #计算最小的外接矩形，获取最小外接矩阵，中心点坐标，宽高，旋转角度
box = cv2.cv.BoxPoints(box) #获取矩形四个顶点，浮点型
box = np.array(box, dtype="int") #转成数组的ndarray对象，取整
box = perspective.order_points(box) #排序:左上、右上、右下、左下
@绘制轮廓与边框
cv2.drawContours(orig, [c.astype("int")],-1, (0, 255, 0), 2)#绘制边框
cv2.drawContours(orig, [box.astype("int")], -1, (0, 255, 0), 1)# 绘制轮廓
参数1：图片；参数2：轮廓；参数3：-1，绘制所有轮廓；参数4：color；参数5：轮廓线宽度
2. 代码
# coding=utf-8
# 导入相应的pthon包
from PIL import Image
from scipy.spatial import distance as dist
from imutils import perspective
from imutils import contours
import numpy as np
import argparse
import imutils
import cv2def draw_rect(cnts,orig):for c in cnts:# 过滤点太小的轮廓点if cv2.contourArea(c) < 100:continue# 计算最小的外接矩形box = cv2.minAreaRect(c)box = cv2.cv.BoxPoints(box) if imutils.is_cv2() else cv2.boxPoints(box)box = np.array(box, dtype="int")# 对轮廓点进行排序:左上、右上、右下、左下box = perspective.order_points(box) # 绘制轮廓#cv2.drawContours(orig, [box.astype("int")], -1, (0, 255, 0), 1)cv2.drawContours(orig, [c.astype("int")],-1, (0, 255, 0), 2)return orig# 进行参数配置和解析
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="path to the input image")
args = vars(ap.parse_args())# 读取图片
image = cv2.imread(args["image"])
#image = cv2.imread('/home/e/01.jpg')
# 执行灰度变换
#颜色空间转换函数，需要转换的图片，转换成何种格式。
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 执行高斯滤波
gray = cv2.GaussianBlur(gray, (7, 7), 0)# 执行Canny边缘检测
edged = cv2.Canny(gray, 50, 100)
# 执行腐蚀和膨胀处理
edged = cv2.dilate(edged, None, iterations=1)
edged = cv2.erode(edged, None, iterations=1)
# 在边缘映射中寻找轮廓
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)# 对轮廓点进行排序
(cnts, _) = contours.sort_contours(cnts)
# 设置显示颜色
colors = ((0, 0, 255), (240, 0, 159), (0, 165, 255), (255, 255, 0), (255, 0, 255))orig=image.copy()
#画框
orig=draw_rect(cnts,orig)# 显示结果
cv2.imshow("Image", orig)
cv2.imwrite('cnts.jpg',orig)#cv2.imshow("mask", mask)
#cv2.imwrite('d.jpg',mask)cv2.waitKey(0)
3.结果展示
三：二值化+边框
实验发现，原图直接寻找轮廓打边框，不适用于本例中的立体图；现采用二值化后的图片进行打框操作。
四：结语
canny+opencv 对于平面图有较好的效果，对于本例中的图片，不能很好的找到其轮廓和边框。三维物体轮廓识别待研究！
边缘识别+轮廓识别+边框+二值化相关推荐
- 使用tesserocr二值化识别知网登录验证码
随机获取了知网登录界面的三个图片验证码,测试 tesserocr 识别验证码的准确度 编写代码,先测试pic1 import tesserocr # 导入tesserocr模块 from PIL im ...
- OpenCV自适应二值化
关于直方图的理解:http://blog.csdn.net/sheldonwxp/article/details/7693541 //全局自适应方法 double threshold( InputAr ...
- linux 正点原子ov5640_【正点原子FPGA连载】第二十六章基于OV5640的二值化实验-摘自【正点原子】领航者 ZYNQ 之嵌入式开发指南 (amobbs.com 阿莫电子论坛)...
本帖最后由 正点原子 于 2020-10-26 16:21 编辑 QQ群头像.png (1.78 KB) 2020-10-24 10:50 上传5)关注正点原子公众号,获取最新资料 100846rel ...
- Python实现图片二值化
1. 什么是二值化 图像二值化就是将图像上的像素点的"灰度值"设置为[0, 0, 0]或[255, 255, 255],即要么纯黑,要么纯白. 2. 二值化的作用 通过二值化,能更 ...
- java图像处理：灰度化，二值化，降噪，切割，裁剪，识别，找相似等
前段时间做爬虫,涉及到对图片验证码的破解,这里罗列一些常用的图像处理方法,都很简单并没用到什么复杂的算法,所以不涉及opencv,都是一些直接对rgb像素点的操作,很简单也很好理解,至于识别直接用的t ...
- Python-OpenCV 处理图像（六）(七)（八）：对象识别 图像灰度化处理 图像二值化处理
为了加快处理速度,在图像处理算法中,往往需要把彩色图像转换为灰度图像. 0x00. 灰度图 灰度数字图像是每个像素只有一个采样颜色的图像,这类图像通常显示为从最暗黑色到最亮的白色的灰度. 灰度图像与黑 ...
- 基于C++（QT）的车牌识别实现——二值化处理
文章目录 拟采用的技术路线 车牌图片打开 图片二值化 窗口UI实现 拟采用的技术路线 本次设计计划以最快的速度实现一个清晰车牌的识别,后续再增加识别精确度,故采取以下技术路线本篇文章主要讲述图像二值化 ...
- matlab 二值化_基于MATLAB的指纹识别系统[GUI界面+万字技术文档+语音播报]
一.课题介绍 本设计为基于MATLAB的指纹识别系统.本设计系统主要对指纹图像进行三方面处理:图像预处理.特征提取和特征匹配.图像预处理包括四个步骤:图像灰度化.滤波增强.二值化.细化,对指纹图像进行 ...
- 数字识别java开源_Java基于opencv实现图像数字识别(三)—灰度化和二值化
Java基于opencv实现图像数字识别(三)-灰度化和二值化 一.灰度化 灰度化:在RGB模型中,如果R=G=B时,则彩色表示灰度颜色,其中R=G=B的值叫灰度值:因此,灰度图像每个像素点只需一个字 ...
最新文章
- NAACL19笔记：自然语言处理应用的实用理解（多图解链接）
- 大数据2 Hadoop伪分布模式配置部署
- 亿级 Web 系统的容错性建设实践
- iOS开发月报#10|201904
- css文件内容的组织
- 人脸识别 face_recognition
- 关于百度富文本编辑器UEditor中ctrl+enter键发送消息的解决方案
- 原来大家最拼命的时候是这样子的
- hive实现两列数据合并成一列
- 白帽黑客郭盛华：供应链枢纽需要从网络安全开始
- tsconfig.json详细配置
- 装多系统的U盘启动盘的制作
- 如何在安卓手机上编辑Excel表格？
- 华为云服务器数据库连接失败
- 计算机等级考试Python二级
- com.google.common.base.Stopwatch 应用
- 力扣第378题 有序矩阵中第K小的元素
- 参考文献格式国家标准GB T7714-2015
- Qt运行过程中错误未找到信号的符号undefined symbol: _ZN11FileManager12sigTechFilesE4QMapIi7QSt
- 为什么Chrome比其他浏览器快？