【opencv】形态学重建案例-数糖果（细胞）个数

 原始图片如下，要求是利用形态学重建方法数出糖果个数

原始图片：a.jpg
​​​​

step1：先进行测地膨胀

令F表示标记图像，令G表示模板图像。在讨论中，我们假设两幅图像都是二值图像，且F包含于G。标记图像相对于模板大小为1的测地膨胀定义为

F相对于G的大小为n的测地膨胀定义为：

式中，n≥1是整数，D0=F。在这个递归公式中，每一步都是膨胀后取交集。交集运算可以保证模板G限制标记F的生长（膨胀）。下图是大小为1的测地膨胀。

图1：迭代曲线

 

图2:测地膨胀后的结果

 step2:进行画面去噪声 高斯模糊等操作，使得连通域的数量与糖果数量接近

图3： 使得连通域的数量与糖果数量接近

step3：标记连通域数量，得出糖果数 

图4：最终结果

 完整代码

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

origin = cv2.imread("a.jpg")
imgGray = cv2.imread("a.jpg", flags=0)  # flags=0 灰度图像
ret, imgBin = cv2.threshold(imgGray, 205, 255,
                            cv2.THRESH_BINARY)  # 二值化处理 (黑色0/白色1) ret:阈值 205:阈值 255:最大值 cv2.THRESH_BINARY:二值化
imgMask = cv2.bitwise_not(imgBin)  # 二值图像的补集 (黑色1/白色0)

# 构造标记图像
marker = np.zeros_like(imgBin, dtype=np.uint8)  # 与imgBin同尺寸的全0图像
marker[0, :] = imgBin[0, :]  # 第一行
marker[-1, :] = imgBin[-1, :]  # 最后一行
marker[:, 0] = imgBin[:, 0]  # 第一列
marker[:, -1] = imgBin[:, -1]  # 最后一列
markerIni = marker.copy()  # 标记图像: 边框 f(x,y)=I(x,y)，其它为 0

# 形态学重建
element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
# 创建数组画出迭代图
diffList = []
while True:  # 进行测地膨胀 是有条件的膨胀
    marker_pre = marker  # 保存 F(n-1)
    dilation = cv2.dilate(marker, kernel=element)  # 膨胀重建 目的是扩大 F(n-1) 的边界
    marker = cv2.bitwise_and(dilation, imgMask)  # 原图像作为模板用来约束重建，按位与，有 0 得 0 目的是保持 F(n-1) 的内部
    # 计算重建后的标记图像与重建前的标记图像的差异
    diff = cv2.subtract(marker, marker_pre)
    print(diff.sum())
    diffList.append(diff.sum())
    if (marker_pre == marker).all():  # F(n)=F(n-1)?，判断是否达到稳定收敛状态
        break
imgRebuild = cv2.bitwise_or(imgBin, marker)  # 按位或，有 1 得 1
# 绘制迭代图,命名为"图1：多次迭代的图像差异"
plt.figure("图1：多次迭代的图像差异")
plt.plot(diffList)
plt.show()

# 显示
# cv2.imshow("imgGray", imgGray)
# cv2.imshow("imgBin", imgBin)
cv2.imshow("figure2:after Expansion", imgMask)
# cv2.imshow("markerIni", markerIni)
# cv2.imshow("imgRebuild", imgRebuild)
# cv2.waitKey(0)
# cv2.destroyAllWindows()


# 统计重建后的图像中的连通域个数
a = 1  # 腐蚀膨胀次数
img = imgMask
gray = img
kernel = np.ones((2, 2), np.uint8)  # 进行腐蚀膨胀操作 (2,2)的矩阵 1代表白色 0代表黑色 uint8代表8位无符号整数
erosion = cv2.erode(gray, kernel, iterations=a)  # 膨胀 iterations代表迭代次数
dilation = cv2.dilate(erosion, kernel, iterations=a)  # 腐蚀 先腐蚀再膨胀的目的是去除噪声
ret, thresh = cv2.threshold(dilation, 150, 255, cv2.THRESH_BINARY)  # 阈值处理 二值法 150代表阈值 255代表最大值 cv2.THRESH_BINARY代表二值法
thresh1 = cv2.GaussianBlur(thresh, (15, 15), 0)  # 高斯滤波 3,3代表高斯核的大小 0代表标准差
contours, hirearchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)  # 找出连通域
# 对连通域面积进行比较
area = []  # 建立空数组，放连通域面积
contours1 = []  # 建立空数组，放减去最小面积的数

for i in contours:
    # area.append(cv2.contourArea(i))
    # print(area)
    if cv2.contourArea(i) > 10:  # 计算面积 去除面积小的 连通域
        contours1.append(i)
# 输出细胞数目
print(len(contours1))
draw = cv2.drawContours(origin, contours1, -1, (0, 255, 0), 1)  # 描绘连通域
# 求连通域重心 以及 在重心坐标点描绘数字
for i, j in zip(contours1, range(len(contours1))):  # zip函数将两个数组合并
    M = cv2.moments(i)  # 计算矩
    cX = int(M["m10"] / M["m00"])  # 计算重心横坐标
    cY = int(M["m01"] / M["m00"])  # 计算重心纵坐标
    draw1 = cv2.putText(draw, str(j), (cX, cY), 1, 1, (255, 0, 255), 1)  # 在中心坐标点上描绘数字
# 展示图片
cv2.imshow("figure3:img_after_operation", thresh1)
cv2.imshow("figure4:result", draw1)
cv2.waitKey()

Reference

测地膨胀和腐蚀的概念：【图像处理笔记】形态学重建 - 湾仔码农 - 博客园

 例程 10.24：基于形态学重建的细胞计数 第二部分的代码来源于此：【youcans 的 OpenCV 例程200篇】134. 形态学重建之细胞计数_YouCans的博客-CSDN博客

 第二第三步的代码来源于此

opencv——python细胞计数实现_microspore的博客-CSDN博客_opencv细胞计数

附：失败尝试 

如果不进行测地膨胀直接进行第二第三步会怎样

 

 效果不理想的代码：

import cv2
import numpy as  np
a=13
img=cv2.imread(r'C:\Users\Administrator\PycharmProjects\pythonProject2\a.jpg',1) #读取图片
#去除斑点

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #将图片变为灰度图片
kernel=np.ones((2,2),np.uint8) #进行腐蚀膨胀操作 (2,2)的矩阵 1代表白色 0代表黑色 uint8代表8位无符号整数
erosion=cv2.erode(gray,kernel,iterations=a) #膨胀 iterations代表迭代次数
dilation=cv2.dilate(erosion,kernel,iterations=a) #腐蚀
ret, thresh = cv2.threshold(dilation, 150, 255, cv2.THRESH_BINARY) # 阈值处理 二值法 150代表阈值 255代表最大值 cv2.THRESH_BINARY代表二值法
thresh1 = cv2.GaussianBlur(thresh,(3,3),0)# 高斯滤波 3,3代表高斯核的大小 0代表标准差
contours,hirearchy=cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 找出连通域
#对连通域面积进行比较
area=[] #建立空数组，放连通域面积
contours1=[]   #建立空数组，放减去最小面积的数
count=0 #计数
total_area=0 #总面积
for i in contours:
    total_area+=cv2.contourArea(i) #计算连通域面积
avg_area=total_area/len(contours) #计算平均面积
for i in contours:
      # area.append(cv2.contourArea(i))
      # print(area)
     if cv2.contourArea(i)>10:  # 计算面积 去除面积小的 连通域
        contours1.append(i)
        count+=cv2.contourArea(i)/avg_area #计算面积比
print(int(count)) #计算连通域个数
draw=cv2.drawContours(img,contours1,-1,(0,255,0),1) #描绘连通域
#求连通域重心 以及 在重心坐标点描绘数字
for i,j in zip(contours1,range(len(contours1))): #zip函数将两个数组合并
    M = cv2.moments(i) # 计算矩
    cX=int(M["m10"]/M["m00"]) #计算重心横坐标
    cY=int(M["m01"]/M["m00"]) #计算重心纵坐标
    draw1=cv2.putText(draw, str(j), (cX, cY), 1,1, (255, 0, 255), 1) #在中心坐标点上描绘数字
#展示图片
cv2.imshow("draw",draw1)
cv2.imshow("thresh1",thresh1)
cv2.waitKey()
cv2.destroyWindow()