OpenCV 识别图片中的米粒个数，并计算米粒的平均面积和长度

介绍

OpenCV+Python

使用OpenCV构建图像识别算法，识别图片中的米粒个数，并计算米粒的平均面积和长度

软件架构

模块：OpenCV 4.0.0.21

编程语言：Python 3.7.2

编译器：PyCharm 2018

程序设计思路

首先介绍一下程序设计的思路：

1. 图像采集(取到图像)：可以用摄像头拍摄或者图片直接导入
2. 图像预处理：对图像进行灰度化
3. 基于灰度的阈值分割：使用局部大津算法进行阈值分割二值化，形态学去噪
4. 图像特征描述及目标分析：使用灰度直方图计算轮廓，并通过面积条件进行筛选
5. 得到最终结果：统计识别的米粒个数，并将米粒用矩形框标记出来，并打上编号

先看看效果图：

左边是原始图像，右边是识别之后的结果。

下面介绍程序实现：

第一步：图像采集``

img = cv2.imread("test.png")  #导入图片，图片放在程序所在目录

使用cv2.imread()函数导入图片，括号内输入图片路径，如果图片位于程序所在目录，就可以直接写图片文件名。

第二步：图像预处理

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #转换为灰度图

主要使用cv2.cvtColor(）函数将彩色图片转化为灰度图

第三步：基于灰度的阈值分割

#使用局部阈值的大津算法进行图像二值化
dst = cv2.adaptiveThreshold(gray,255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,101, 1)

element = cv2.getStructuringElement(cv2.MORPH_CROSS,(3, 3))#形态学去噪
dst=cv2.morphologyEx(dst,cv2.MORPH_OPEN,element)  #开运算去噪

使用局部大津算法对图像进行二值化，全局大津法的优点在于可以快速有效的找到类间分割阈值，但其缺点也很明显，就是只能针对单一目标分割，或者感兴趣的目标都属于同一灰度范围，若需探测目标灰度范围分布较大，则必将有一部分目标探测丢失（例如上图中黑色和白色的汽车）。局部分割的优点在于可以进行多目标分割，缺点在于基于局部阈值分割出的目标连结性较差，包含噪声。
在这个米粒图片中，下部的图像亮度较暗，如果使用全局大津算法，下部的米粒将会被认为是背景，而被屏蔽掉。
如图所示：左边是使用局部大津算法，右边是使用全局大津算法，可以看到左边的效果比右边的效果好。

函数原型：

   cv2. adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)

参数解释：
**InputArray src：**源图像

**OutputArray dst：**输出图像，与源图像大小一致

**int adaptiveMethod：**在一个邻域内计算阈值所采用的算法，有两个取值，分别为 ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C 。

ADAPTIVE_THRESH_MEAN_C的计算方法是计算出领域的平均值再减去第七个参数double C的值

ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出领域的高斯均值再减去第七个参数double C的值

**int thresholdType：**这是阈值类型，只有两个取值，分别为 THRESH_BINARY 和THRESH_BINARY_INV 具体的请看官方的说明，这里不多做解释

**int blockSize：**adaptiveThreshold的计算单位是像素的邻域块，邻域块取多大，就由这个值作决定

**double C：**在对参数int adaptiveMethod的说明中，我已经说了这个参数的作用，从中可以看出，这个参数实际上是一个偏移值调整量

然后对图像进行形态学去噪，形态学去噪有一下几种：

• 开运算：先腐蚀再膨胀，用来消除小物体
• 闭运算：先膨胀再腐蚀，用于排除小型黑洞
• 形态学梯度：就是膨胀图与俯视图之差，用于保留物体的边缘轮廓。
• 顶帽：原图像与开运算图之差，用于分离比邻近点亮一些的斑块。
• 黑帽：闭运算与原图像之差，用于分离比邻近点暗一些的斑块。

我们使用开运算去除小噪声

第四步：图像特征描述及目标分析

主要步骤为：
1、检测轮廓- cv2.findContours(）函数
2、提取轮廓的水平矩形坐标- rect = cv2.boundingRect( ) 函数
3、绘制矩形- cv2.rectangle()函数
4、 在米粒左上角写上编号-cv2.putText( ) 函数

contours, hierarchy = cv2.findContours(dst,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)  #轮廓检测函数
cv2.drawContours(dst,contours,-1,(120,0,0),2)  #绘制轮廓

count=0 #米粒总数
ares_avrg=0  #米粒平均
#遍历找到的所有米粒
for cont in contours:

    ares = cv2.contourArea(cont)#计算包围性状的面积

    if ares<50:   #过滤面积小于10的形状
        continue
    count+=1    #总体计数加1
    ares_avrg+=ares

    print("{}-blob:{}".format(count,ares),end="  ") #打印出每个米粒的面积

    rect = cv2.boundingRect(cont) #提取矩形坐标

    print("x:{} y:{}".format(rect[0],rect[1]))#打印坐标

    cv2.rectangle(img,rect,(0,0,0xff),1)#绘制矩形

    y=10 if rect[1]<10 else rect[1] #防止编号到图片之外

    cv2.putText(img,str(count), (rect[0], y), cv2.FONT_HERSHEY_COMPLEX, 0.4, (0, 255, 0), 1) #在米粒左上角写上编号

print("米粒平均面积:{}".format(round(ares_avrg/ares,2))) #打印出每个米粒的面积

1、检测轮廓

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  

参数：

• image参数是寻找轮廓的图像；

• mode参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：

  cv2.RETR_EXTERNAL表示只检测外轮廓
  cv2.RETR_LIST检测的轮廓不建立等级关系
  cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
  cv2.RETR_TREE建立一个等级树结构的轮廓。

• method参数method为轮廓的近似办法

  cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
  cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
  cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

返回值：

cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。

• contour返回值：cv2.findContours()函数首先返回一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。
• hierarchy返回值：此外，该函数还可返回一个可选的hiararchy结果，这是一个ndarray，其中的元素个数和轮廓个数相同，每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0]
  ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数。

2、提取轮廓的水平矩形坐标

  cv2.boundingRect(InputArray points)

参数：

• points：输入信息，可以为包含点的容器(vector)或是Mat。
• 返回包覆输入信息的最小正矩形。

3、绘制矩形

cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)

参数解释：

• img是原图
• （x，y）是矩阵的左上点坐标
• （x+w，y+h）是矩阵的右下点坐标
• （0,255,0）是画线对应的rgb颜色
• 2是所画的线的宽度

4、 在米粒左上角写上编号

cv2.putText(img,str(count), (rect[0], y), cv2.FONT_HERSHEY_COMPLEX, 0.4, (0, 255, 0), 1) 

各参数依次是：图片输入/添加的文字/左上角坐标/字体/字体大小/颜色/字体粗细

第五步：统计米粒的编号、面积、长度

ares = cv2.contourArea(cont)

计算包围形状的面积，并使用一个for循环来计算面积平均值和长度平均值

效果图：

完整程序代码请点击这里下载：OpenCV 识别图片中的米粒python程序