python计算图像面积_利用图像处理计算叶片面积

计算叶片面积，源文件如图：

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：

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：

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：

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：

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：

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：

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：

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：

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)

原文链接:https://blog.csdn.net/qq_43006184/article/details/107189629