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。
计算统计
Geof H.Givens、Jennifer A.Hoeting / 王兆军、刘民千、邹长亮、杨建峰 / 人民邮电出版社 / 2009-09-01 / 59.00元
随着计算机的快速发展, 数理统计中许多涉及大计算量的有效方法也得到了广泛应用与迅猛发展, 可以说, 计算统计已是统计中一个很重要的研究方向. 本书既包含一些经典的统计计算方法, 如求解非线性方程组的牛顿方法、传统的随机模拟方法等, 又全面地介绍了近些年来发展起来的某些新方法, 如模拟退火算法、基因算法、EM算法、MCMC方法、Bootstrap方法等, 并通过某些实例, 对这些方法的应用进行......一起来看看 《计算统计》 这本书的介绍吧!
