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

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

程序员文章站 2022-04-15 22:52:46
本篇博客接着讲解机器视觉的有关技术和知识。包括宽度测量,缺陷检测,医学处理。 一:宽度测量 在传统的自动化生产中,对于尺寸的测量,典型的方法就是千分尺、游标卡尺、塞尺等。而这些测量手段测量精度低、速度慢,无法满足大规模的自动化生产需求。基于机器视觉的尺寸测量属于非接触式的测量,具有检测精度高、速度快 ......

  本篇博客接着讲解机器视觉的有关技术和知识。包括宽度测量,缺陷检测,医学处理。

一:宽度测量

  在传统的自动化生产中,对于尺寸的测量,典型的方法就是千分尺、游标卡尺、塞尺等。而这些测量手段测量精度低、速度慢,无法满足大规模的自动化生产需求。基于机器视觉的尺寸测量属于非接触式的测量,具有检测精度高、速度快、成本低、安装简便等优点。可以检测零件的各种尺寸,如长度、圆、角度、线弧等测量。

  利用python+opencv方法可以进行宽度的测量。步骤是先选取出一个矩形,然后进行阈值分割,再进行反色,边缘提取之后进行点的选择,输出坐标做出两条线段,根据线段进行矩形绘制,这样之后就可以计算两条直线之间的距离,也就是我们需要求得的宽度。

  opencv是一个c++库,用于实时处理计算机视觉方面的问题,涵盖了很多计算机视觉领域的模块。配合python调用c++库,可以很方便地进行宽度测量,实现要求。

  步骤如下:

1.导入需要的库

import cv2
import cv2 as cv
import numpy as np
import imutils

2.读取原图像查看

img = cv2.imread("1.jpg")

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

3.截取部分图像

  手动地进行选取我们感兴趣的部分,然后截取出来。

img = imutils.resize(img, width=500)
roi = cv2.selectroi(windowname="image1", img=img, showcrosshair=true, fromcenter=false)
x, y, w, h = roi
cv2.rectangle(img=img, pt1=(x, y), pt2=(x + w, y + h), color=(0, 0, 255), thickness=2)
s = img[y:y+h,x:x+w]

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

4.反色

  截取后会出现空白区域很多黑色的情况,需要进行反色,用到的方法是255去除值。

# 反色
def colorreverse(src):
	height, width, channels = src.shape
	for row in range(height):
	    for list in range(width):
	        for c in range(channels):
	            pv = src[row, list, c]
	            src[row, list, c] = 255 - pv
	return src
src = colorreverse(s)

5.边缘检测去噪

x = cv2.sobel(src,cv2.cv_16s,1,0)
y = cv2.sobel(src,cv2.cv_16s,0,1)
absx = cv2.convertscaleabs(x)   # 转回uint8
absy = cv2.convertscaleabs(y)
dst = cv2.addweighted(absx,0.5,absy,0.5,0)
result = colorreverse(dst)

6.输出鼠标选择点的坐标

  之后进行的操作是利用鼠标选择点,并显示坐标,可以判断时候用鼠标进行点击操作,如果是的话,就可以输出点的坐标在输出框或者图片上标记,把点击函数作为参数,就可以在不点击退出键的时候进行循环递归操作,知道最直到获得想要点的坐标。

# 输出鼠标选择点的坐标
# setmousecallback使用的回调函数,这个回调函数在捕获到鼠标左键点击事件时,就在图片上点击处绘制一个实心的圆、并显示出坐标。
def on_event_lbuttondown(event, x, y, flags, param):
    if event == cv2.event_lbuttondown:
        xy = "%d,%d" % (x, y)
        print (xy)
        cv2.circle(result, (x, y), 1, (255, 0, 0), thickness = -1)
        cv2.puttext(result, xy, (x, y), cv2.font_hershey_plain,
                    1.0, (0,0,0), thickness = 1)
        cv2.imshow("image2", result)

cv2.namedwindow("image2")
cv2.setmousecallback("image2", on_event_lbuttondown)
cv2.imshow("image2", result)

7.绘制线段用输出提示

  接下来就可以根据选择的四个点进行连接输出线段,用get_len()方法可以得到两条线之间的距离。

# 绘制线段
s = cv2.line(result,(3, 30), (120, 30), (0, 255, 0), 2)
d = cv2.line(result,(3, 110), (118, 110), (0,255, 0), 2)
lens = s.get_len() - d.get_len()

# 输出图形
text = "宽为:{0}".format(lens)
cv.puttext(result, text, (20, 20), cv.font_hershey_complex, 2.0, (0, 255, 0), 1)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

二:缺陷检测

  缺陷检测通常是指对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。

  人工检测是产品表面缺陷的传统检测方法,该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大,而基于机器视觉的检测方法可以很大程度上克服上述弊端。

  缺陷检测被广泛使用于布匹瑕疵检测、工件表面质量检测、航空航天领域等。传统的算法对规则缺陷以及场景比较简单的场合,能够很好工作,但是对特征不明显的、形状多样、场景比较混乱的场合,则不再适用。近年来,基于深度学习的识别算法越来越成熟,许多公司开始尝试把深度学习算法应用到工业场合中。

  视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块。

  这里是用python+opencv进行津彩啤酒的图片缺陷检测,将0.bmp图片进行样本,和其他图片进行对比,检测是否合格。通过对比原图和要比较的图像的24位灰度图像进行检测。

  步骤如下:

1.导入需要的库

import cv2
import cv2 as cv
import numpy as np
from pil import image, imagedraw, imagefont

2.比较

  读入我们0.bmp图像作为比较因子,设置为rgbimage_std变量

rgbimage_std = cv.imread("0.bmp")

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

3.转换

  将24位rgbimage_std彩色图像转换为8位rgb2grayimage_std灰度图像

rgb2grayimage_std = cv2.cvtcolor(rgbimage_std, cv2.color_rgb2gray)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

4.循环

  缺陷检测算法循环六次。

imagename = str(i) + '.bmp'
	rgbimage_defect = cv.imread(imagename)
	# 将每次imagename对应图像在图像窗口显示出来
	# cv.imshow(imagename, rgbimage_defect)

	# 将24位rgbimage_defect彩色图像转换8位rgb2grayimage_defect灰度图
	gray = np.array(rgbimage_defect)
	gray = gray[:,:,0]
	rgb2grayimage_defect = np.array([gray,gray,gray])
	rgb2grayimage_defect = np.transpose(rgb2grayimage_defect,(1,2,0))

	name = str(i) + '_rgb2grayimage_defect.bmp'
	# cv.imshow(name, rgb2grayimage_defect)

	# 缺陷比较
	# 直方图计算的函数,反应灰度值的分布情况
	be_compare_image = cv2.calchist([rgb2grayimage_std], [0], none, [256], [0.0,255.0])
	compare_image = cv2.calchist([rgb2grayimage_defect], [0], none, [256], [0.0,255.0])

	#相关性计算,采用相关系数的方式
	# result = cv2.comparehist(be_compare_image,compare_image,method=cv2.histcmp_correl)
	result = sum(be_compare_image - compare_image)[0]
	# 打开pil创建的图像
	ss = image.open(str(i) + ".bmp")
	# 创建一个操作对象
	draw = imagedraw.draw(ss)
	# 字体对象为simsun,字大小为50号
	fnt = imagefont.truetype(r'c:\windows\fonts\simsun.ttc', 50)
	# 如果图片对比原图相似度小于7,则合格;否则不合格。
	if result < 7:
	    draw.text((5, 10), u'合格', fill='red', font=fnt)
th_str = str(i) + '.bmp'
	draw.text((5, 350), th_str, fill='red', font=fnt)
	else:
	    draw.text((5, 10), u'不合格', fill='red', font=fnt)
th_str = str(i) + '.bmp'
draw.text((5, 350), th_str, fill='red', font=fnt)
	ss.show("result" +str(i) + ".png")

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

5.结束代码

cv.waitkey(0)

三:医学检测

  医学信息处理,即对医学信息的处理,医学信息处理过程中借助计算机技术,具有非常高的应用价值,在提高信息处理准确度的同时,也极大地增强了信息处理的效率,为广大患者与患者家属创造更为人性化的就医环境。

  利用计算机的先进技术可以对医学图像进行处理,然后更加方便地得到图片上蕴含的信息,从而进行正快速地得到我们想要得到的信息。

  这里是用python+opencv进行医学图像识别,借助计算机技术帮助医生对医学图像进行有效地分析。

  步骤如下:

1.导入库

from skimage import data,color,morphology
import cv2 as cv
import cv2

2.读入灰度图

img1 = cv.imread('vas0.bmp',0)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

3.反色

img3 = img2.copy()
cv2.threshold(img2,80,255,0,img2)
for i in range(0,img2.shape[0]):
    for j in range(0,img2.shape[1]):
        img3[i,j] = 255-img2[i,j]

  或者如下代码:

# 对img2图像图像进行反色,得到img3图像
def access_pixels(image):
    height, width, channels = image.shape
    for row in range(height):
        for list in range(width):
            for c in range(channels):
                pv = image[row, list, c]
                image[row, list, c] = 255 - pv
    return image
img3 = access_pixels(img2)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)
python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

4.扩展

img4 = cv2.copymakeborder(img3,50,50,50,50,cv2.border_reflect)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

5.去噪

  去除噪声位置地小面积区域,可以有两种方式,一种是选择满足面积150-10000的img4图像输出,去除噪声位置元素,另一种是使用skimage中的形态学处理来进行孤立小区域的去除。

img5 = morphology.remove_small_holes(img4, 100)

  或者如下代码:

contours,hierarchy  = cv2.findcontours(img4, cv2.retr_external, cv2.chain_approx_none)
#消除小面积
for i in range(len(contours)):
    area = cv2.contourarea(contours[i])
    if area < 150:
        cv2.drawcontours(img4,[contours[i]],0,0,-1)
img5 = img4

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

6.面积滤波

  用连通区域的面积除以连通区域包络盒的面积,仅保留当这个比值小于用户所给的div的值时的连通区域。

img5=img5.copy()
contours1,hierarchy = cv2.findcontours(img5, cv2.retr_external, cv2.chain_approx_none)
for j in range(len(contours1)):
area1 = cv2.contourarea(contours1[j])
print(area1)
if area1 ==157.0:
    cv2.drawcontours(img5,[contours1[j]],0,0,-1)
elif area1==261.5:
    cv2.drawcontours(img5,[contours1[j]],0,0,-1)
elif area1==568.0:
    cv2.drawcontours(img5,[contours1[j]],0,0,-1)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

7.细化函数

  输入需要细化的图片(经过二值化处理的图片)和映射矩阵array,并提取骨架。

def thin(image, array):
    h, w = image.shape
    ithin = image

    for i in range(h):
        for j in range(w):
            if image[i, j] == 0:
                a = [1] * 9
                for k in range(3):
                    for l in range(3):
                        # 如果3*3矩阵的点不在边界且这些值为零,也就是黑色的点
                        if -1 < (i - 1 + k) < h and -1 < (j - 1 + l) < w and ithin[i - 1 + k, j - 1 + l] == 0:
                            a[k * 3 + l] = 0
                sum = a[0] * 1 + a[1] * 2 + a[2] * 4 + a[3] * 8 + a[5] * 16 + a[6] * 32 + a[7] * 64 + a[8] * 128
                ithin[i, j] = array[sum] * 255
    return ithin
# 映射表
array = [0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\
         1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,\
         0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\
         1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,\
         1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\
         0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\
         1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1,\
         0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\
         0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\
         1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,\
         0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\
         1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,\
         1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\
         1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,\
         1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0,\
         1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0]
src = cv2.imread(r'img5.png', 0)
gauss_img = cv2.gaussianblur(src, (3,3), 0)
# 自适应二值化函数,需要修改的是55那个位置的数字,越小越精细,细节越好,噪点更多,最大不超过图片大小
adap_binary = cv2.adaptivethreshold(gauss_img, 255, cv2.adaptive_thresh_gaussian_c, cv2.thresh_binary,3,2)
img6 = thin(adap_binary, array)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

8.边缘检测

img7 = cv2.canny(img6,80,255)

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

9.图片反色

img8 = img7.copy()
cv2.threshold(img7,80,255,0,img7)
for i in range(0,img7.shape[0]):
    for j in range(0,img7.shape[1]):
        img8[i,j] = 255-img7[i,j]

python+opencv实现机器视觉基础技术(2)(宽度测量,缺陷检测,医学处理)

10.结束函数

cv.waitkey(0)