图像处理之应用篇-大米计数续
图像处理之应用篇-大米计数续
背景介绍：
请看博客文章《图像处理之简单综合实例(大米计数)》
其实拍出来的照片更多的是含有大米颗粒相互接触，甚至于有点重叠的照片
要准确计算大米的颗粒数非常困难，通过图像形态学开闭操作，腐蚀等手
段尝试以后效果不是很好。最终发现一种简单明了但是有微小误差的计数
方法。照相机图片：
算法思想：
主要是利用连通区域发现算法，发现所有连通区域，使用二分法，截取较小
部分的连通区域集合，求取平均连通区域面积，根据此平均连通区域面积，
作为单个大米大小，从而求取出粘连部分的大米颗粒数，完成对整个大米
数目的统计：
缺点：
平均连通区域面积的计算受制于两个因素，一个是最小连通区域集合的选取算法，
二个样本数量。算法结果跟实际结果有一定的误差，但是误差在1%左右。
程序算法代码详解
将输入图像转换为黑白二值图像，求得连通区域的算法代码如下：
src = super.filter(src, null);
getRGB(src, 0, 0, width,height, inPixels );
FastConnectedComponentLabelAlgfccAlg = new FastConnectedComponentLabelAlg();
fccAlg.setBgColor(0);
int[] outData = fccAlg.doLabel(inPixels, width, height);
获取平均大米颗粒连通区域的代码如下：
Integer[] values =labelMap.values().toArray(new Integer[0]);
Arrays.sort(values);
int minRiceNum = values.length/4;
float sum = 0;
for(int v= offset; v<minRiceNum + offset; v++) {
sum += values[v].intValue();
}
float minMeans = sum / (float)minRiceNum;
System.out.println(" minMeans = " + minMeans);
程序时序图如下：
程序运行效果如下：
实际大米颗粒数目为202，正确率为99%
完成大米数目统计的源代码如下（其它相关代码见以前的图像处理系列文章）：
public class FindRiceFilter extends BinaryFilter { private int sumRice; private int offset = 10; public int getSumRice() { return this.sumRice; } public void setOffset(int pos) { this.offset = pos; } @Override public BufferedImage filter(BufferedImage src, BufferedImage dest) { int width = src.getWidth(); int height = src.getHeight(); if ( dest == null ) dest = createCompatibleDestImage( src, null ); int[] inPixels = new int[width*height]; int[] outPixels = new int[width*height]; src = super.filter(src, null); getRGB(src, 0, 0, width, height, inPixels ); FastConnectedComponentLabelAlg fccAlg = new FastConnectedComponentLabelAlg(); fccAlg.setBgColor(0); int[] outData = fccAlg.doLabel(inPixels, width, height); // labels statistic HashMap<Integer, Integer> labelMap = new HashMap<Integer, Integer>(); for(int d=0; d<outData.length; d++) { if(outData[d] != 0) { if(labelMap.containsKey(outData[d])) { Integer count = labelMap.get(outData[d]); count+=1; labelMap.put(outData[d], count); } else { labelMap.put(outData[d], 1); } } } Integer[] values = labelMap.values().toArray(new Integer[0]); Arrays.sort(values); int minRiceNum = values.length/4; float sum = 0; for(int v= offset; v<minRiceNum + offset; v++) { sum += values[v].intValue(); } float minMeans = sum / (float)minRiceNum; System.out.println(" minMeans = " + minMeans); // try to find the max connected component Integer[] keys = labelMap.keySet().toArray(new Integer[0]); Arrays.sort(keys); int threshold = 10; ArrayList<Integer> listKeys = new ArrayList<Integer>(); for(Integer key : keys) { if(labelMap.get(key) <=threshold){ listKeys.add(key); } else { float xx = labelMap.get(key); float intPart = (float)Math.floor(xx / minMeans + 0.5f); sumRice += intPart; } } System.out.println( "Number of rice = " + sumRice); // sumRice = keys.length - listKeys.size(); // calculate means of pixel int index = 0; for(int row=0; row<height; row++) { int ta = 0, tr = 0, tg = 0, tb = 0; for(int col=0; col<width; col++) { index = row * width + col; ta = (inPixels[index] >> 24) & 0xff; tr = (inPixels[index] >> 16) & 0xff; tg = (inPixels[index] >> 8) & 0xff; tb = inPixels[index] & 0xff; if(outData[index] != 0 && validRice(outData[index], listKeys)) { tr = tg = tb = 255; } else { tr = tg = tb = 0; } outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb; } } setRGB( dest, 0, 0, width, height, outPixels ); return dest; } private boolean validRice(int i, ArrayList<Integer> listKeys) { for(Integer key : listKeys) { if(key == i) { return false; } } return true; } }
转载文章请务必注明出处