利用图像处理计算叶片面积

您所在的位置:网站首页 编写程序求阴影面积的方法是什么 利用图像处理计算叶片面积

利用图像处理计算叶片面积

2024-07-07 03:18| 来源: 网络整理| 查看: 265

计算叶片面积,源文件如图: 在这里插入图片描述 首先读取图片并完成下采样,缩小图片面积,便于处理:

import cv2 img0=cv2.imread(r'picturefile\lvmiao.jpg',flags=1) img0=cv2.pyrDown(img0) img0=cv2.pyrDown(img0) img0=img0[70:,70:,0]#获取B通道图片,B通道更能区别叶片色彩;且将不必要部分截除,便于处理。 cv2.imshow("imagin0",img0) cv2.waitKey() cv2.destroyWindow("imagin0")

结果如下: 提取B通道的灰度图 为便于得到叶片和钱币各自像素,采用聚类方式,将图片像素点聚为2类,分为背景与前景。聚类算法采用K-means聚类方法,仅采用像素距离作为聚类特征会产生较大误差,因此,可以采用像素实际位置(横纵坐标)和像素点灰度作为聚类特征依据。得到各像素点特征参数程序:

import numpy as np r,c=img0.shape#灰度图的大小 row=np.zeros((c,r),dtype=np.uint8)#各像素点的行 col=np.zeros((c,r),dtype=np.uint8)#各像素点的列 for i in range(r): row[i,:]=i for i in range(c): col[:,i]=i feature=[] for i in range(r): for j in range(c): feature.append([row[i,j],col[i,j],img0[i,j]]) feature=np.array(feature)#各像素点的特征,包括行数、列数以及像素距离

然后对所有像素特征进行聚类,并将背景类用黑色点表示,前景类用白色点表示,具体程序为:

from sklearn.cluster import KMeans label=KMeans(2).fit_predict(feature)#2聚类 bool1=label==0#第一类 bool2=label==1#第二类 img1=img0.copy() img1=img1.ravel() img1[bool1]=0#背景像素 img1[bool2]=255 #前景像素 img1=img1.reshape(r,c)#上色后的图片 cv2.imshow("imagin1",img1) cv2.waitKey() cv2.destroyWindow("imagin1")

上面程序运行结果为: 聚类结果图 我们可以看到聚类结果并不完美,为消除噪声点,选择对背景噪声先腐蚀掉,对前景噪声进行膨胀,为避免对其他地方的影响,可以先使用闭运算去除前景噪声,使用开运算去除背景噪声。具体程序如下:

img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5) img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8) cv2.imshow("imagin2",img2) cv2.waitKey() cv2.destroyWindow("imagin2")

运行结果为: 形态学去燥结果 我们可以看到,去噪结果良好,接下来我们将提取钱币与叶片轮廓信息:

contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#提取轮廓 img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,1,(255))#将叶片轮廓画出 cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3")

画出叶片轮廓如图: 叶片轮廓 从形态学处理结果我们可以知道,叶片轮廓较为完整,但是钱币轮廓并不完整,其像素信息不能构成完整的圆形,为补全钱币,对其做最小外切圆,将叶片和钱币轮廓画出做对比:

(x,y),radius=cv2.minEnclosingCircle(contours[0]) center=(int(x),int(y)) radius=int(radius) cv2.circle(img3,center,radius,(255)) cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3")

处理结果为: 叶片与完整的钱币轮廓 上图可知钱币缺失部分补充完整,下面即对叶片和钱币做填充,计算其像素面积即可:

def calculateNumber(A,b): num=0 for i in range(len(A)): for j in range(len(A[0])): if A[i][j]==b: num+=1 return num cv2.drawContours(img3,contours,0,(255),thickness=-1) s0=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,2,(255),thickness=-1)

画出钱币的填充图,并计算其像素面积为s0,结果图: 钱币完整像素点图 下面计算叶片像素面积:

img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,2,(255),thickness=-1) s1=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey()

叶片像素面积为s1,填充结果如图: 叶片完整像素点 最后根据网络查询到5角硬币为300平方毫米,可以计算出叶片像素面积:

s=s1*300/s0 print(s0,s1,s)

结果为: 钱币像素面积、叶片像素面积以及叶片真实面积 如此可计算叶片面积为2807.48平方毫米。完成程序如下:

''' Created on 2019年10月4日 @author: 紫 薇星君 ''' import cv2 import numpy as np from sklearn.cluster import KMeans def calculateNumber(A,b): num=0 for i in range(len(A)): for j in range(len(A[0])): if A[i][j]==b: num+=1 return num img0=cv2.imread(r'picturefile\lvmiao.jpg',flags=1) img0=cv2.pyrDown(img0) img0=cv2.pyrDown(img0) img0=img0[70:,70:,0] cv2.imshow("imagin0",img0) cv2.waitKey() cv2.destroyWindow("imagin0") r,c=img0.shape row=np.zeros((c,r),dtype=np.uint8) col=np.zeros((c,r),dtype=np.uint8) for i in range(r): row[i,:]=i for i in range(c): col[:,i]=i feature=[] for i in range(r): for j in range(c): feature.append([row[i,j],col[i,j],img0[i,j]]) feature=np.array(feature) label=KMeans(2).fit_predict(feature) bool1=label==0 bool2=label==1 img1=img0.copy() img1=img1.ravel() img1[bool1]=0 img1[bool2]=255 img1=img1.reshape(r,c) cv2.imshow("imagin1",img1) cv2.waitKey() cv2.destroyWindow("imagin1") k=np.array([[1,1],[1,1]]) img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5) img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8) cv2.imshow("imagin2",img2) cv2.waitKey() cv2.destroyWindow("imagin2") contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE) img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,1,(255)) cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3") (x,y),radius=cv2.minEnclosingCircle(contours[0]) center=(int(x),int(y)) radius=int(radius) cv2.circle(img3,center,radius,(255)) cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3") contours,hierarchy=cv2.findContours(img3,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE) img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,0,(255),thickness=-1) s0=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,2,(255),thickness=-1) s1=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() s=s1*300/s0 print(s0,s1,s)


【本文地址】


今日新闻


推荐新闻


CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3