欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

利用图像处理计算叶片面积

程序员文章站 2022-03-31 11:21:26
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 cv2img0=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.dest...

计算叶片面积,源文件如图:
利用图像处理计算叶片面积
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
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
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
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
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
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
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
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
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
bool3=label==2
bool4=label==3
img1=img0.copy()
img1=img1.ravel()
img1[bool1]=0
img1[bool2]=255 
img1[bool3]=0
img1[bool4]=0
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)

本文地址:https://blog.csdn.net/qq_43006184/article/details/107189629