OpenCV实战 -- 维生素药片的检测记数

读取图片
形态学处理
二值化
提取轮廓
获取轮廓索引，并筛选所需要的轮廓
画出轮廓，显示计数

检测记数

原图-》灰度化-》阈值分割-》形态学变换-》距离变换-》轮廓查找

原图

import cv2 as cv
import matplotlib.pyplot as plt

image = cv.imread('img/img.png')
gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()
for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours, [contour], -1, (122, 55, 215), 2)
    # 标注轮廓序号
    cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()
print (len(contours))

经过操作

发现其具有粘连性，所以阈值分割、形态学变换等图像处理

开始进行消除粘连性–形态学变换

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

image = cv.imread('img/img.png')
gray_image= cv.cvtColor(image, cv.COLOR_BGR2GRAY)
kernel = np.ones((16, 16), np.uint8)
gray_image=cv.morphologyEx(gray_image, cv.MORPH_OPEN, kernel)
ret, binary = cv.threshold(gray_image, 127, 255, cv.THRESH_BINARY)

# 寻找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 在原始图像的副本上绘制轮廓并标注序号
image_with_contours = image.copy()
for i, contour in enumerate(contours):
    cv.drawContours(image_with_contours, [contour], -1, (122, 55, 215), 2)
    # 标注轮廓序号
    cv.putText(image_with_contours, str(i+1), tuple(contour[0][0]), cv.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)

# 使用 matplotlib 显示结果
plt.subplot(121), plt.imshow(cv.cvtColor(image, cv.COLOR_BGR2RGB)), plt.title('Original Image')
plt.subplot(122), plt.imshow(cv.cvtColor(image_with_contours, cv.COLOR_BGR2RGB)), plt.title('Image with Contours')
plt.show()

print (len(contours))

总结实现方法

1. 读取图片：

import cv2

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)
cv2.waitKey(0)

2. 形态学处理：

import cv2
import numpy as np

# 形态学处理
kernel = np.ones((16, 16), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)
cv2.waitKey(0)

3. 二值化：

import cv2

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary_image = cv2.threshold(gray_image, 100, 255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)
cv2.waitKey(0)

4. 提取轮廓：

import cv2

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# 在原图上绘制轮廓
contour_image = image.copy()
cv2.drawContours(contour_image, contours, -1, (0, 255, 0), 2)
cv2.imshow("Contours", contour_image)
cv2.waitKey(0)

5. 轮廓筛选和计数：

import cv2

# 遍历轮廓
for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    if area < 500:
        continue
    
    # 获取轮廓的位置
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 在原图上绘制矩形
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # 在矩形位置写上计数
    cv2.putText(image, str(i), (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)

cv2.imshow("Count Result", image)
cv2.waitKey(0)

分水岭算法：

import cv2
import numpy as np

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)

# 形态学处理
kernel = np.ones((3, 3), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)

# 二值化
_, binary_image = cv2.threshold(gray_image, 100, 255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# 统计药片数量并标记轮廓
count = 0
for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    if area < 500:
        continue
    
    # 获取轮廓的位置
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 在原图上绘制矩形
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # 在矩形位置写上计数
    cv2.putText(image, str(count), (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)
    
    count += 1

cv2.imshow("Count Result", image)
print("药片检测个数:", count)

cv2.waitKey(0)
cv2.destroyAllWindows()

逐行解释

当然，让我们逐行解释上述代码：

import cv2
import numpy as np

# 读取图片
image = cv2.imread("path/to/your/image.png")
cv2.imshow("Original Image", image)

• 导入OpenCV库和NumPy库。
• 读取图片并显示原始图像。

# 形态学处理
kernel = np.ones((3, 3), np.uint8)
morphology_result = cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel)
cv2.imshow("Morphology Result", morphology_result)

• 定义一个3x3的矩形内核(kernel)。
• 对原始图像进行形态学开运算，去除小的噪点和不重要的细节。
• 显示形态学处理后的图像。

# 灰度转换
gray_image = cv2.cvtColor(morphology_result, cv2.COLOR_BGR2GRAY)

• 将形态学处理后的图像转换为灰度图。

# 二值化
_, binary_image = cv2.threshold(gray_image, 100, 255, cv2.THRESH_OTSU)
cv2.imshow("Binary Image", binary_image)

• 对灰度图进行自适应阈值二值化，使用OTSU算法。
• 显示二值化后的图像。

# 寻找轮廓
contours, _ = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

• 寻找二值化后图像中的外部轮廓。

# 统计药片数量并标记轮廓
count = 0
for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    if area < 500:
        continue
    
    # 获取轮廓的位置
    (x, y, w, h) = cv2.boundingRect(contour)
    
    # 在原图上绘制矩形
    cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)
    
    # 在矩形位置写上计数
    cv2.putText(image, str(count), (x, y), cv2.FONT_HERSHEY_COMPLEX, 1, (0, 0, 255), 2)
    
    count += 1

cv2.imshow("Count Result", image)
print("药片检测个数:", count)

• 初始化药片计数为0。
• 遍历所有找到的轮廓。
  • 如果轮廓的面积小于500，则跳过。
  • 获取轮廓的位置信息（矩形边界框）。
  • 在原图上绘制矩形，标记检测到的药片。
  • 在矩形位置写上计数。
  • 计数加1。
• 显示标记了计数的结果图像，并输出药片检测个数。

cv2.waitKey(0)
cv2.destroyAllWindows()

• 等待用户按下任意按键，然后关闭所有打开的窗口。

在基于距离变换的分水岭算法中，二值化操作是为了得到sure_fg（肯定是前景的区域），以便将其用作分水岭算法的标记点。这个过程涉及以下几步：

1. 距离变换： 通过距离变换，我们得到了一个灰度图，其中像素值表示每个像素到最近的零像素点的距离。这个距离图范围是浮点数，通常需要进行归一化。

   dist_transform = cv2.distanceTransform(binary_image, cv2.DIST_L2, 3)
   

2. 归一化： 将距离变换后的图像进行归一化，使其范围在0到1之间。

   normalized_distance = cv2.normalize(dist_transform, 0, 1, cv2.NORM_MINMAX)
   

3. 再次二值化： 对归一化后的图像进行二值化，以获取肯定是前景的区域。这是通过设置一个阈值，将距离较大的区域认定为前景。

   _, sure_fg = cv2.threshold(normalized_distance, 0.4, 1, cv2.THRESH_BINARY)
   

这样，sure_fg 中的像素值为 1 的区域就被认为是明确的前景区域，而不是可能的边界区域。这种区域将被用作分水岭算法的种子点。