如愿

一、准备工作
二、硬币和细胞数量识别
三、条形码定位和识别
四、总结
五、参考资料

一、准备工作

所用图片
python版本以及opencv版本

python 3.8.12 opencv 3.4.11

二、硬币和细胞数量识别

原理

用opencv读取图片，读取之后并进行灰度化和二值化

二值化之后存储图片的二维列表里的值全为0和1，进行膨胀和腐蚀等操作使图像的轮廓更明显

较为明显之后使用findContours，发现的轮廓数就是我们要求的数量

开始代码操作，导入库并定义文件路径

#导入相关包
import cv2
import numpy as np
import os
#定义文件路径
source_path='..\\source\\AI_digital_image\\'
cell_file="cell.png"
coin_file="coin.png"

构建完整路径并读取图片，图片我就不放了，自己运行看看就知道了，算了图片还是放代码后面，自己看看

#得到完整路径
cell_path=source_path+cell_file
coin_path=source_path+coin_file
#读取文件
cell_read=cv2.imread(cell_path)
coin_read=cv2.imread(coin_path)
cv2.imshow("cell",cell_read)
cv2.waitKey(0)

先进行细胞数量提取，这里进行了灰度化，而且手动调了一波亮度，因为这张图片上下的亮度不一致，不调整的话二值化得出来的效果不太好

#进行灰度化
cell_gauss=cv2.GaussianBlur(cell_read,(5,5),0)#高斯降噪
cell_gray=cv2.cvtColor(cell_gauss,cv2.COLOR_BGR2GRAY)#灰度化
cell_att=cell_gray
cv2.waitKey(0)
#上半部分亮度太低，手动增加
for j in range(3,342):low=int(sum(cell_gray[j]))high=int(sum(cell_gray[335]))add=(high-low)/len(cell_read[3])for i in range(len(cell_read[3])):if int(cell_att[j][i])+add>255:cell_att[j][i]=255else :cell_att[j][i]+=add
cv2.imshow("cell",cell_att)
cv2.waitKey(0)

二值化

thre,cell_bw=cv2.threshold(cell_att,170,255,cv2.THRESH_BINARY_INV)#二值化
cv2.imshow("cell",cell_bw)
cv2.waitKey(0)

细胞的图片感觉应该是血液的样本，不然为啥这么多血红细胞，血红细胞中间是空的，灰度化之后会有小空洞，先用闭运算来填补这些空的地方

#闭运算，填充空洞
#构造一个全1的5*5的矩阵
kernel=np.ones((3,3),int)#设置形态学操作卷积的大小
cell_close=cv2.morphologyEx(cell_bw,cv2.MORPH_CLOSE,kernel)
cv2.imshow("cell",cell_close)
cv2.waitKey(0)

开运算作用：用来消除小的物体，平滑形状边界，并且不改变其面积。可以去除小颗粒噪声，断开物体间的粘连

#开运算
#构造一个全1的5*5的矩阵
kernel=np.ones((11,11),int)#设置形态学操作卷积的大小
cell_open=cv2.morphologyEx(cell_close,cv2.MORPH_OPEN,kernel)
cv2.imshow("cell",cell_open)
cv2.waitKey(0)

开运算之后再进行腐蚀，将两个细胞之间的间隔再拉大一点，同时把那些重叠的地方再细化

#腐蚀运算
#构造一个全1的5*5的矩阵
kernel=np.ones((20,20),int)#设置形态学操作卷积的大小
cell_corr=cv2.erode(cell_open,kernel,iterations=1)
cv2.imshow("cell",cell_corr)
cv2.waitKey(0)

再进行开运算，把细化的重叠部分也断掉

#开运算
#构造一个全1的5*5的矩阵
kernel=np.ones((10,10),int)#设置形态学操作卷积的大小
cell_close2=cv2.morphologyEx(cell_corr,cv2.MORPH_OPEN,kernel)
cv2.imshow("cell",cell_close2)
cv2.waitKey(0)

利用opencv的findcontours获取轮廓，返回的cell_count就是轮廓的数组，长度就是细胞的数量，只要求求数量，绘图时的轮廓就偷懒了，表示个意思就行

image,cell_count,hir=cv2.findContours(cell_close2,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#检测所有轮廓，所有轮廓建立一个等级树结构。
print(len(cell_count))
cell_read=cv2.imread(cell_path)
result = cv2.drawContours(cell_read, cell_count, -1 ,(0, 255, 0), 1)
cv2.imshow('I',result)
cv2.waitKey(0)

接下来就是硬币数量检测了，这个简单多了，刚刚读取了，这里进行灰度化和二值化

#进行灰度化和二值化
coin_gauss=cv2.GaussianBlur(coin_read,(5,5),0)#高斯降噪
coin_gray=cv2.cvtColor(coin_gauss,cv2.COLOR_BGR2GRAY)#灰度化
thre,coin_bw=cv2.threshold(coin_gray,150,255,cv2.THRESH_BINARY_INV)#二值化
cv2.imshow("coin",coin_bw)
cv2.waitKey(0)

开始以为还要一次开运算，这里直接腐蚀效果就很好了

#腐蚀运算
#构造一个全1的5*5的矩阵
kernel=np.ones((20,20),int)#设置形态学操作卷积的大小
coin_corr=cv2.erode(coin_bw,kernel,iterations=1)
cv2.imshow("cell",coin_corr)
cv2.waitKey(0)

获取数量

image,coin_count,hir=cv2.findContours(coin_corr,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#检测所有轮廓，所有轮廓建立一个等级树结构。
print(len(coin_count))
coin_read=cv2.imread(coin_path)
result = cv2.drawContours(coin_read, coin_count, -1 ,(0, 255, 0), 1)
cv2.imshow('I',result)
cv2.waitKey(0)

三、条形码定位和识别

定位就不调用库了，用opencv实现

#导入库
import cv2

读取文件

bar_code_path='..\\source\\picture\\bar_code\\code_bar.jpg'
bar_code=cv2.imread(bar_code_path)
bar_code=cv2.resize(bar_code,(500,300))
cv2.imshow('src',bar_code)
cv2.waitKey(0)

转化为灰度图

#转化为灰度图
bar_code_gray=cv2.cvtColor(bar_code,cv2.COLOR_BGR2GRAY)
cv2.imshow('gray',bar_code_gray)
cv2.waitKey(0)

高斯平滑滤波

# 高斯平滑滤波
bar_code_gauss=cv2.GaussianBlur(bar_code_gray,(3,3),0)
cv2.imshow('gauss',bar_code_gauss)
cv2.waitKey(0)

求水平和垂直的梯度差，使用sobel算子，这里好像直接相减有些问题，可能是opencv在python里的存储类型和在c++里不一样，小于0的话就变成200+了


#求水平方向和垂直方向的梯度差，使用sobel算子
bar_code_h=cv2.Sobel(bar_code_gauss,cv2.CV_64F,1,0,ksize=3,scale=1,delta=0,borderType=4)
bar_code_v=cv2.Sobel(bar_code_gauss,cv2.CV_64F,0,1,ksize=3,scale=1,delta=0,borderType=4)
#从16位转化为8位
bar_code_x=cv2.convertScaleAbs(bar_code_h,alpha=1,beta=0)
bar_code_y=cv2.convertScaleAbs(bar_code_v,alpha=1,beta=0)
bar_code_xy=bar_code_x
for i in range(len(bar_code_x)):for j in range(len(bar_code_x[0])):if int(bar_code_x[i][j])-(bar_code_y[i][j])>=0:bar_code_xy[i][j]=bar_code_x[i][j]-bar_code_y[i][j]else:bar_code_xy[i][j]=0
cv2.imshow('x',bar_code_x)
cv2.waitKey(0)
cv2.imshow('y',bar_code_y)
cv2.waitKey(0)
cv2.imshow('xy',bar_code_xy)
cv2.waitKey(0)

均值滤波

#均值滤波
bar_code_blur=cv2.blur(bar_code_xy,(3,3))
cv2.imshow('blur',bar_code_blur)
cv2.waitKey(0)

二值化

#二值化
thr,bar_code_th=cv2.threshold(bar_code_blur,170,255,cv2.THRESH_BINARY)
cv2.imshow('threshold',bar_code_th)
cv2.waitKey(0)

闭运算，填充条形码间隙

#闭运算，填充条形码间隙
import numpy as np
kernel=np.ones((7,7),int)#设置形态学操作卷积的大小
bar_code_close=cv2.morphologyEx(bar_code_th,cv2.MORPH_CLOSE,kernel)
cv2.imshow('close',bar_code_close)
cv2.waitKey(0)

腐蚀，消除旁边的小白点

#腐蚀
kernel=np.ones((7,7),int)#设置形态学操作卷积的大小
bar_code_ero=cv2.erode(bar_code_close,kernel)
cv2.imshow('erode',bar_code_ero)
cv2.waitKey(0)

膨胀使条码连起来

#膨胀
bar_code_dia=cv2.dilate(bar_code_ero,kernel)
bar_code_dia=cv2.dilate(bar_code_dia,kernel)
bar_code_dia=cv2.dilate(bar_code_dia,kernel)
bar_code_dia=cv2.dilate(bar_code_dia,kernel)
cv2.imshow('dilate',bar_code_dia)
cv2.waitKey(0)

定位，这偏差有点迷，可能使计算梯度差时造成的

image,barcode,hir=cv2.findContours(bar_code_dia,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
#检测所有轮廓，所有轮廓建立一个等级树结构。
barcode_read=cv2.imread(bar_code_path)
result = cv2.drawContours(barcode_read, barcode, -1 ,(0, 255, 0), 1)
cv2.imshow('I',result)
cv2.waitKey(0)

识别条形码的话可以自己手动排查，也可以调用库，这里就偷懒一下，调用pyzbar库实现

#调用条码库进行条码识别
import pyzbar.pyzbar as pyzbar
import cv2
bar_code_path='..\\source\\picture\\bar_code\\code_bar.jpg'
srcImg = cv2.imread(bar_code_path)
cv2.imshow("Image", srcImg)
barcodes = pyzbar.decode(srcImg)
for barcode in barcodes:barcodeData = barcode.data.decode("utf-8")print(barcodeData)
cv2.waitKey(0)

四、总结

经过上面这些例子，大概明白了对图像的操作都是提取出需要的元素，然后简化简化再简化，最后变为0和1，而0和1对应的就是黑和白，就十分方便处理

五、参考资料

Opencv：10个步骤检测出图片中条形码
python-opencv检测图片中鸡蛋个数/数量

识别硬币和细胞数量+条形码检测(python+opencv)相关推荐

招商银行信用卡卡号识别项目（第一篇），Python OpenCV 图像处理取经之旅第 53 篇
Python OpenCV 365 天学习计划,与橡皮擦一起进入图像领域吧.本篇博客是这个系列的第 53 篇. 该系列文章导航参考:https://blog.csdn.net/hihell/categ ...
毕业设计深度学习机器视觉车位识别车道线检测 - python opencv
0 前言
视频字幕识别（百度AI开放平台OCR | python | opencv）
目标:提取位于视频下方的字幕机缘:某些要写报告的学习视频太长了orz,弄字幕来参考一下难点: 调参(不同视频字幕对应参数会不同,但调整不大) 图片相似度比较(哈希算法,有更好的算法但我没用心找) ...
OpenCV+Python简单实践之硬币检测以及条形码检测
目录标题一.简单图片格式 1.位图 2.文件压缩比二.用奇异值分解(SVD)对一张图片进行特征值提取(降维)处理 1.代码 2.效果三.采用图像的开闭运算(腐蚀-膨胀),检测出2个样本图像中硬币 ...
python opencv 条形码及二维码检测识别
目录条形码检测识别二维码检测识别基于python opencv pyzbar 实现. 条形码检测识别原图: 最后截取图: 直接上代码: import cv2 import numpy as n ...
Python实现条码识别：从图像中自动检测和识别条形码
Python实现条码识别:从图像中自动检测和识别条形码在现代零售业中,条形码是一项必不可少的技术.它们提供了一种快速.准确和可靠的方法来追踪和管理库存.随着计算机视觉技术的发展,我们可以利用Pyth ...
Python OpenCV高速公路道路汽车车辆摄像头视频侦测检测识别统计数量
Python OpenCV高速公路道路汽车车辆侦测检测识别统计数量如需安装运行环境或远程调试,可加QQ905733049由专业技术人员远程协助! 运行结果如下: 运行主要代码如下: import c ...
使用python+opencv写一个简单的条形码识别代码
这是一段使用 Python OpenCV 库识别条形码的示例代码: import cv2# 读入图片 img = cv2.imread("barcode.jpg")# 创建条形码检 ...
python颜色识别_颜色检测python
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 版权声明:本文为博主原创文章,未经博主允许不得转载. https:blog.cs ...

识别硬币和细胞数量+条形码检测(python+opencv)

如愿

一、准备工作

二、硬币和细胞数量识别

三、条形码定位和识别

四、总结

五、参考资料

识别硬币和细胞数量+条形码检测(python+opencv)相关推荐

最新文章

热门文章