<think>我们之前讨论的是使用图像处理技术（OpenCV）来检测硬币数量。现在用户反馈说硬币检测只检测出一个硬币，但实际有多个硬币。这通常是由于硬币堆叠或粘连导致算法将它们识别为一个整体。
为了解决这个问题，我们需要优化代码，特别是要改进分割粘连硬币的部分。之前的代码使用了分水岭算法，但参数可能需要调整，或者预处理步骤需要加强。
以下是改进方案：
1. 优化预处理：尝试不同的二值化方法（如自适应阈值）以更好地分割硬币。
2. 调整形态学操作：使用合适的结构元素和迭代次数，以去除噪声而不破坏硬币边界。
3. 改进距离变换和标记生成：确保每个硬币内部都有明显的标记。
4. 调整分水岭算法的参数。
另外，如果硬币颜色与背景相近，可以考虑使用边缘检测（如Canny）来辅助分割。
下面是一个改进版本的代码，尝试解决粘连硬币的分割问题：
```python
import cv2
import numpy as np
# 读取图像
image = cv2.imread('coins.jpg')
if image is None:
print("无法读取图像，请检查图像路径和文件是否存在。")
exit()
# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 高斯模糊
blurred = cv2.GaussianBlur(gray, (15, 15), 0)
# 使用自适应阈值二值化，更好地处理光照变化
thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 形态学操作：先闭运算填充小孔，再开运算去除小噪声
kernel = np.ones((3, 3), np.uint8)
closing = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=4)
opening = cv2.morphologyEx(closing, cv2.MORPH_OPEN, kernel, iterations=2)
# 使用距离变换和阈值处理来获取确定的前景区域
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
# 调整阈值系数，确保足够的前景区域被识别
_, sure_fg = cv2.threshold(dist_transform, 0.5 * dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
# 确定背景区域（通过膨胀前景区域）
sure_bg = cv2.dilate(opening, kernel, iterations=3)
# 找到未知区域（背景减去前景）
unknown = cv2.subtract(sure_bg, sure_fg)
# 标记连通区域
_, markers = cv2.connectedComponents(sure_fg)
markers = markers + 1
markers[unknown == 255] = 0
# 应用分水岭算法
markers = cv2.watershed(image, markers)
image[markers == -1] = [0, 0, 255] # 边界标记为红色
# 统计硬币数量：标记-1是边界，背景标记为1，前景从2开始
coin_count = len(np.unique(markers)) - 2 # 减去背景（1）和边界（-1）？注意：背景是1，但边界标记为-1，前景从2到N
# 实际上，分水岭算法后，背景标记为1，边界为-1，每个前景区域从2开始递增
# 因此，计数为：总唯一标记数减去2（因为背景1和边界-1都不算，但注意边界不算区域，背景不算，所以减去1（背景）再减去边界不算？实际是减去1（背景）后，再减去边界（但边界不是区域）？所以应该是：总标记数-1（背景）再减去1（因为标记从0开始？）
# 更准确：分水岭后的markers中，背景为1，边界为-1，前景对象从2开始。所以硬币数是：max(markers)-1（因为背景占了1，然后第一个对象是2）？不对，应该是标记数减去1（背景）再减去1（因为边界不是对象）？但边界不是对象，所以实际上对象的标记是从2到max，所以数量是max(markers)-1？但是标记可能有跳跃（因为边界），所以我们用唯一标记数减去2（因为背景1和所有对象标记的最小值2，但注意可能有多个对象标记连续）？其实直接统计大于1的标记数即可。
# 重新计数：统计所有大于1的标记（因为背景是1，边界是-1，硬币标记>=2）
coin_count = np.count_nonzero(np.unique(markers) > 1)
print(f"检测到的硬币数量: {coin_count}")
# 显示并保存结果
cv2.imwrite('detected_coins.jpg', image)
# 显示结果（可选）
cv2.imshow('Detected Coins', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
改进点：
1. 使用自适应阈值处理，以应对光照不均匀的情况。
2. 调整了形态学操作的顺序和迭代次数。
3. 在距离变换后，将阈值系数从0.7降低到0.5，以获取更多的确定前景区域（避免粘连硬币内部被当作背景）。
4. 改进了硬币计数方法：直接统计大于1的标记数量。
如果仍然只检测到一个硬币，请检查以下事项：
- 图像质量：确保图像清晰，硬币与背景对比明显。
- 参数调整：根据实际图像调整形态学操作的核大小和迭代次数，以及距离变换的阈值系数。
- 硬币堆叠情况：如果硬币堆叠严重，分水岭算法可能无法分离，可能需要使用更复杂的算法。
如果问题依然存在，可以考虑使用轮廓分析，并利用硬币的圆形特征（例如使用霍夫圆变换）来检测单个硬币。但霍夫圆变换对重叠硬币效果不佳，因此分水岭算法仍是首选。
另外，用户提到的硬币检测电路设计是通过硬件检测硬币，与图像处理无关，因此不在本次讨论范围内[^1]。
§§相关问题§§
1. 如何调整分水岭算法的参数以适应不同图像的硬币分割？
2. 当硬币与背景对比度较低时，有哪些图像增强技术可以提高检测精度？
3. 除了分水岭算法，深度学习在硬币检测中有哪些应用？
4. 如何评估硬币检测算法的准确性？
</think>针对硬币检测只检测出一个硬币的问题，以下是系统性的解决方案：
### 问题分析与解决方案
1. **预处理优化**（解决粘连硬币无法分割）
- 使用自适应阈值替代全局阈值：`thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 5)`
- 调整形态学操作参数：
```python
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7,7)) # 椭圆核更贴合圆形硬币
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel, iterations=5)
```
2. **距离变换优化**（解决硬币内部标记失效）
- 调整距离变换阈值系数：
```python
_, sure_fg = cv2.threshold(dist_transform, 0.4 * dist_transform.max(), 255, 0) # 降低阈值系数
```
3. **分水岭算法增强**（解决堆叠硬币分割失败）
- 添加自定义标记：
```python
# 在sure_fg区域检测轮廓作为强制标记点
contours, _ = cv2.findContours(sure_fg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for i, cnt in enumerate(contours):
cv2.drawContours(markers, [cnt], -1, i+2, -1)
```
4. **后处理验证**（防止过度分割）
- 添加硬币尺寸过滤：
```python
coins = []
for i in np.unique(markers):
if i > 1: # 跳过背景
mask = np.zeros(gray.shape, dtype="uint8")
mask[markers == i] = 255
area = cv2.countNonZero(mask)
if 500 < area < 5000: # 根据实际尺寸调整
coins.append(i)
coin_count = len(coins)
```
### 完整改进代码
```python
import cv2
import numpy as np
image = cv2.imread('coins.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (15,15), 0)
# 自适应阈值
thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV, 11, 5)
# 形态学操作
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7,7))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel, iterations=5)
# 距离变换
dist_transform = cv2.distanceTransform(closing, cv2.DIST_L2, 5)
_, sure_fg = cv2.threshold(dist_transform, 0.4*dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
# 创建标记
_, markers = cv2.connectedComponents(sure_fg)
markers += 1
markers[closing==0] = 0
# 添加强制标记
contours, _ = cv2.findContours(sure_fg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for i, cnt in enumerate(contours):
cv2.drawContours(markers, [cnt], -1, i+2, -1)
# 分水岭算法
markers = cv2.watershed(image, markers)
# 尺寸过滤
coins = []
for i in np.unique(markers):
if i > 1:
mask = np.zeros(gray.shape, dtype="uint8")
mask[markers == i] = 255
area = cv2.countNonZero(mask)
if 500 < area < 5000: # 硬币尺寸范围
coins.append(i)
print(f"检测硬币数: {len(coins)}")
```
### 调试建议
1. **可视化关键步骤**：
```python
cv2.imshow('Threshold', thresh)
cv2.imshow('Distance Transform', dist_transform)
cv2.waitKey(0)
```
2. **参数调整指南**：
- 硬币尺寸范围：通过`print(area)`输出区域值确定合理范围
- 距离变换阈值：0.3~0.6之间调整
- 形态学核大小：硬币直径的1/5~1/3
3. **硬件辅助方案**：
当图像算法受限时，可结合电感检测等硬件方案互补验证[^1]
扫一扫
2750
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
