内容简介：前两天跟一个朋友吃饭，聊到他在做的图像识别测量雪深，对此深感兴趣，找时间就把 OpenCV 了解一下。识别标杆上红色刻度的数量。研究了一下午，话不多说，直接开始演示吧。
前两天跟一个朋友吃饭，聊到他在做的图像识别测量雪深，对此深感兴趣，找时间就把 OpenCV 了解一下。
识别标杆上红色刻度的数量。
研究了一下午，话不多说，直接开始演示吧。
import cv2
# 读取图片
img = cv2.imread("./snow.jpeg")
首先，将红色部分提取，则需要将原图进行颜色空间转换，转换类型使用 BGR2HSV 方法。
HSV 是一种将RGB色彩模型中的点在圆柱坐标系中的表示法。H 为色相，是色彩的基本属性，S 为饱和度，V 为明度。
从网上查了下，红色区域的 H 值在 [0,10] 和 [170,180]，使用 inRange 方法将红色范围内外的颜色区分开
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) mask1 = cv2.inRange(hsv_img, np.array([0, 70, 50]), np.array([10, 255, 255])) mask2 = cv2.inRange(hsv_img, np.array([170, 70, 50]), np.array([180, 255, 255])) mask = mask1 | mask2
mask 显示效果如下
此时，图像上除了刻度外，还有些地方呈现白色，需要将这些杂质过滤掉，同时也要将垂直部分的白色去掉，需要经过先膨胀再腐蚀再膨胀三个过程。为什么要这样呢？因为这样才能过滤掉杂质以及垂直方向的红线部分，以致达到效果，具体看下面的代码和图。
dilated = cv2.dilate(mask, cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)), iterations=2) # 创建一个水平的结构元素，进行腐蚀和膨胀 hline = cv2.getStructuringElement(cv2.MORPH_RECT, (int(dilated.shape[1] / 32), 1), (-1, -1)) # 腐蚀掉多余的白色部分 temp = cv2.erode(dilated, hline) # 使白色部分膨胀 dst_img = cv2.dilate(temp, hline)
效果如下：
得到提取后的部分，发现还有一个问题，左右刻度有些连结在了一起，此时需要分割。分割的方式是先计算一下宽度，得出中点宽度值，在此原图对应的中点宽度画一条黑线（不过效率有点低啊:blush:
def get_mid_width(mask):
"""
获取白色轮廓区域的中间宽度
"""
min_width = mask.shape[1]
max_width = 0
for line in mask:
"""
处理图片为白色轮廓区域，计算轮廓区域宽度的中间值
"""
indexes = list(filter(lambda i: line[i] != 0, range(len(line))))
if len(indexes) != 0:
if min_width > indexes[0]:
min_width = indexes[0]
if max_width < indexes[-1]:
max_width = indexes[-1]
else:
continue
mid_width = int((min_width + max_width) / 2)
return mid_width
mid_width = get_mid_width(dst_img)
# 在图片上画一条黑线，用来分割左右红线区域，避免膨胀的时候连在一起
cv2.line(img, (mid_width, 0), (mid_width, img.shape[0]), (0, 0, 0), 20)
得到如下图：
然后重复上面的提取红色部分并过滤的步骤，得到如下图：
此时已经完成90%了，剩下的就是获取每个轮廓，以及把轮廓在原图上描绘出来
contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 获取轮廓
# 画上所有轮廓
cv2.drawContours(img_source, contours, -1, (0, 0, 0), 3)
imS = cv2.resize(img_source, (540, 960))
cv2.imshow('result', imS)
cv2.waitKey(0)
cv2.destroyAllWindows()
最终效果
是不是很简单呢？！整理完才60行代码，不过这只是简单的实现，一旦涉及到有比较大的杂质或者标杆倾斜以及其他情况，都会影响识别率。
以上所述就是小编给大家介绍的《Python 60行代码使用 OpenCV 识别雪深》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- python验证码识别实例代码
- 可怕，40行代码的人脸识别实践
- 50行代码上手 OpenCV：眼球杂质识别
- 只要5行代码，就可以实现AI图像识别
- 波动率预测：基于CNN的图像识别策略（附代码）
- 25 行 Python 代码实现人脸识别——OpenCV 技术教程
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
