Opencv轮廓计数(学习)

本文详细介绍了使用OpenCV进行图像处理的过程,包括读取图片、灰度转换、二值化、形态学操作、距离变换、阈值化二值分割、连通区域分析等步骤,并通过代码示例展示了具体实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/xfeatures2d.hpp>

using namespace std;
using namespace cv;
using namespace cv::xfeatures2d;

Mat img1, img2, img3, img4, img5, img6, img_result, img_gray1, img_gray2, img_gray3, img_canny1, img_binary1, img_binary2, img_dist1, img_dist2, kernel_1, kernel_2, img_laplance, img_sharp;

char win1[] = "window1";
char win2[] = "window2";
char win3[] = "window3";
char win4[] = "window4";
char win5[] = "window5";
char win6[] = "window6";
char win7[] = "window7";

int thread_value = 10;
int max_value = 255;
RNG rng1(12345);
RNG rng2(1235);

double harris_min = 0;
double harris_max = 0;

int Demo_SURF();
void Demo_1(int, void*);
void Demo_2(int, void*);

int Demo_SURF()
{
  namedWindow(win1, CV_WINDOW_AUTOSIZE);
  //namedWindow(win2, CV_WINDOW_AUTOSIZE);
  //namedWindow(win3, CV_WINDOW_AUTOSIZE);

  img1 = imread("D://images//71.png");
  //img1 = imread("D://images//77.jpg");
  if (img1.empty())
  {
    cout << "could not load image..." << endl;
    return 0;
  }
  imshow(win1, img1);

  //转灰度
  cvtColor(img1, img_gray1, COLOR_BGR2GRAY);
  //二值化
  threshold(img_gray1, img_binary1, 0, 255, THRESH_BINARY | THRESH_TRIANGLE);
  imshow(win2,img_binary1);

  //形态学操作
  kernel_1 = getStructuringElement(MORPH_RECT, Size(5, 5), Point(-1, -1));
  dilate(img_binary1, img_binary2, kernel_1, Point(-1, -1),1);
  imshow(win3, img_binary2);

  
  //背景变换
  bitwise_not(img_binary2,img_binary2);
  //距离变换
  distanceTransform(img_binary2, img2, CV_DIST_L2, 3);
  //归一化(0-1)
  normalize(img2, img2, 0, 1.0, NORM_MINMAX);
  imshow(win4, img2);

  //阈值化二值分割
  threshold(img2, img2, 0.6, 1.0, THRESH_BINARY);
  img2.convertTo(img3, CV_8U);
  adaptiveThreshold(img3,img3,255,ADAPTIVE_THRESH_GAUSSIAN_C,THRESH_BINARY,87,0.0);
  kernel_2 = getStructuringElement(MORPH_RECT, Size(5, 5), Point(-1, -1));
  dilate(img3, img3, kernel_2, Point(-1, -1), 4);
  //normalize(img3, img3, 0, 255, NORM_MINMAX);
  imshow(win5,img3);

  //连通区域
  vector<vector<Point>> vec_contours;
  findContours(img3, vec_contours, CV_RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

  img4 = Mat::zeros(img1.size(),CV_8UC3);

  //绘制轮廓
  for (size_t k=0;k<vec_contours.size();k++)
  {
    Scalar color_1 = Scalar(rng1.uniform(0,255),rng1.uniform(0,255),rng1.uniform(0,255));
    drawContours(img4, vec_contours, static_cast<int>(k), color_1, 2, 8,Mat());
  }
  cout << "size:"<<vec_contours.size() << endl;
  imshow(win6,img4);

  return 0;
}

void Demo_1(int, void*)
{
  
}

void Demo_2(int, void*)
{
  
}

int main()
{
  Demo_SURF();

  waitKey(0);
  return 0;
}

 

 

 

转载于:https://www.cnblogs.com/herd/p/9780824.html

<think>好的,用户想用OpenCV实现竹签计数。首先我需要回顾一下OpenCV中常用的物体计数方法,比如Blob检测、轮廓分析、霍夫变换等。根据之前的引用[1],Blob Detection和轮廓分析被用于钢管计数,但结合深度学习效果更好。不过用户可能希望先用传统方法尝试。 首先,竹签的形状通常是细长的,可能排列比较密集。传统图像处理步骤一般是预处理、分割、检测。预处理可能需要灰度化、二值化、去噪。然后通过边缘检测或阈值处理来分割竹签。 考虑到竹签的细长形状,可能需要使用边缘检测,比如Canny,然后找轮廓或者用霍夫直线变换来检测每根竹签。不过如果竹签排列密集,可能会有粘连,这时候轮廓分析可能会合并多个竹签,导致计数不准。这时候可能需要形态学操作来分离物体,比如腐蚀膨胀。 另外,引用[1]中提到结合深度学习更好,但用户可能暂时不想用深度学习,所以需要尽量优化传统方法。可能需要测试不同的预处理参数,比如高斯模糊的核大小、阈值处理的参数,或者形态学操作的迭代次数。 示例代码方面,可能需要读取图像,转灰度,高斯模糊,Canny边缘检测,然后找轮廓,或者使用二值化后的图像进行轮廓分析。计数轮廓的数量,但要注意处理重叠的情况。或者使用HoughLinesP检测直线,统计直线数量作为竹签数量。 需要注意的是,如果竹签的末端比较圆,可能Blob检测会更有效,比如通过面积、圆度等参数过滤。或者如果竹签在图像中呈现为圆形截面,可能需要霍夫圆检测,但引用[1]提到Hough Circle用于钢管检测,钢管截面是圆形,但竹签可能截面较小,或者形状不同。 因此,可能的步骤是: 1. 图像预处理:转灰度,高斯模糊,二值化。 2. 形态学操作:开运算去除噪点,闭运算连接断裂部分。 3. 边缘检测或阈值处理得到二值图像。 4. 使用轮廓分析,找到所有轮廓,排除过小或过大的区域。 5. 统计轮廓数量作为竹签数目。 但实际中可能需要调整参数,比如二值化的阈值、形态学操作的核大小等。如果效果不好,可能需要尝试其他方法,比如霍夫直线检测,或者结合Blob检测的参数设置。 此外,引用[2]提到的run函数可能涉及深度学习模型,但用户目前可能不需要。不过可以提到如果传统方法效果不佳,可以考虑结合深度学习模型进行目标检测,比如YOLO等。 现在需要编写示例代码,可能使用轮廓分析的方法。需要注意可能遇到的问题,比如光照不均导致二值化效果差,或者竹签颜色与背景相近,这时可能需要调整颜色空间,比如使用HSV通道分离。 总之,步骤大致是预处理→分割→检测→计数。需要测试不同参数,并提供示例代码,并说明可能的优化方向。</think>以下是使用OpenCV实现竹签计数的基本方法和示例代码,主要基于轮廓分析技术: ### 一、实现步骤 1. **图像预处理** - 灰度化:将图像转换为单通道灰度图 - 高斯模糊:使用$5 \times 5$高斯核降噪 - 自适应阈值:处理光照不均问题$$ T(x,y) = \mu(x,y) - C $$ 其中$\mu$是局部均值,$C$为常数[^1] 2. **形态学操作** - 开运算:消除细小噪点 - 闭运算:填充孔洞,连接断裂区域 3. **目标检测** - Canny边缘检测:$$ \text{梯度幅值} = \sqrt{(G_x^2 + G_y^2)} $$ - 轮廓查找:使用层次轮廓分析 4. **过滤与计数** - 面积过滤:排除过小/过大区域 - 长宽比过滤:保留细长形状特征 ### 二、示例代码 ```python import cv2 import numpy as np def count_bamboo_sticks(img_path): # 读取图像 img = cv2.imread(img_path) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 预处理 blurred = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2) # 形态学操作 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3)) opened = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2) closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel, iterations=3) # 轮廓检测 contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 过滤条件 min_area = 50 max_area = 500 valid_contours = [] for cnt in contours: area = cv2.contourArea(cnt) if min_area < area < max_area: x,y,w,h = cv2.boundingRect(cnt) aspect_ratio = w/h if w > h else h/w if aspect_ratio > 3: # 细长特征 valid_contours.append(cnt) # 绘制结果 result = cv2.drawContours(img, valid_contours, -1, (0,255,0), 2) count = len(valid_contours) cv2.putText(result, f"Count: {count}", (10,30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0,0,255), 2) cv2.imshow("Result", result) cv2.waitKey(0) return count # 使用示例 count = count_bamboo_sticks("bamboo.jpg") print(f"检测到竹签数量:{count}") ``` ### 三、优化建议 1. **光照补偿**:使用CLAHE算法增强对比度 2. **颜色空间转换**:尝试HSV空间分离竹签颜色 3. **深度学习融合**:当传统方法失效时,可结合YOLO等目标检测模型[^2] 4. **三维重构**:对于堆叠场景,可尝试多视角成像
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值