利用图像处理计算叶片面积

计算叶片面积,源文件如图:
利用图像处理计算叶片面积_第1张图片
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:
利用图像处理计算叶片面积_第2张图片
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:
利用图像处理计算叶片面积_第3张图片
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:
利用图像处理计算叶片面积_第4张图片
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:
利用图像处理计算叶片面积_第5张图片
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:
利用图像处理计算叶片面积_第6张图片
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:
利用图像处理计算叶片面积_第7张图片
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:
利用图像处理计算叶片面积_第8张图片
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:
利用图像处理计算叶片面积_第9张图片
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)

你可能感兴趣的:(机器视觉,计算机视觉,opencv,python,聚类)