OpenCV数量检测教程FindContour方式介绍

1. 概述

• 目标：通过图像处理技术检测图像中的物体数量。
• 使用技术：
• 灰度化
• 图像二值化
• 形态学操作（膨胀、腐蚀）
• 轮廓检测
• 过滤噪声
• OpenCV库官方文档：点击此处

2. 环境准备

• 安装Python：确保安装Python 3.x。
• 安装OpenCV 与 Numpy：

pip install opencv-python
pip install numpy

3. 导入必要的库

首先，我们需要导入所需的库。、

import cv2
import numpy as np

4. 图像读取与预处理

我们首先读取图像并对其进行预处理，如灰度化、二值化和形态学操作。

# 读取图像
img = cv2.imread('objects.jpg')

# 转为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 应用高斯模糊以减少噪声，高斯模糊为常用消除噪点手法，通过调整（11，11）kernel大小影响最终模糊效果
blurred = cv2.GaussianBlur(gray, (11, 11), 0) 
# 应用二值化处理（阈值化）通过范围将像素值转化为0或255，uint8范围0-255
_, thresh = cv2.threshold(blurred, 150, 255, cv2.THRESH_BINARY_INV)

# 显示预处理结果，python运行使用
cv2.imshow('Threshold Image', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()


#Notebook 可用以下方式
import matplotlib.pyplot as plt
plt.imshow(thresh,cmap='gray')

代码说明：

1. 灰度化：将图像从彩色空间转换为灰度，以简化处理。RGB图像为三通道，三个数值组成颜色。灰阶为单通道，一个数值表示。
2. 高斯模糊：减少噪声，使边缘更加平滑。（建议调整高斯模糊的kernel大小去看看不同效果，会有更好的应用理解）
3. 二值化：将图像转换为黑白图像，其中白色部分代表感兴趣的区域。（灰阶图像像素值0为黑色，255为白色）

5. 形态学操作

为了确保目标物体被正确检测，我们可以使用形态学操作，如膨胀和腐蚀，来增强图像中的物体特征。

# 定义一个核（用于膨胀和腐蚀）
kernel = np.ones((3, 3), np.uint8)

# 应用膨胀操作，使目标更明显，使像素值非0的部分膨胀
dilated = cv2.dilate(thresh, kernel, iterations=2)

# 显示形态学操作后的结果
cv2.imshow('Dilated Image', dilated)
cv2.waitKey(0)
cv2.destroyAllWindows()

#Notebook 可用以下方式
import matplotlib.pyplot as plt
plt.imshow(thresh,cmap='gray')

代码说明：

• 膨胀：通过增大白色区域使物体更突出，有助于连接破碎的边缘。（分水岭算法通过计算梯度，如高地不被淹没去找寻目标区域，所以破碎或不连接处可能会导致整体被分割为不同个体。具体情况具体操作，其他情况也可以使用腐蚀的方式去剥离重叠部分。）

6. 轮廓检测

接下来，通过轮廓检测来找到图像中的所有物体。

pythonCopy code# 检测图像中的轮廓
contours, _ = cv2.findContours(dilated.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原图上绘制轮廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)

# 显示检测到轮廓的图像
cv2.imshow('Contours', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码说明：

• cv2.findContours：查找图像中的所有轮廓。
• cv2.drawContours：在原始图像上绘制检测到的轮廓。

7. 物体数量统计

使用检测到的轮廓数量，统计图像中的物体数量。

pythonCopy code# 打印检测到的物体数量
print(f"检测到的物体数量: {len(contours)}")#f"{变量}"大括号内可写变量。

代码说明：

• len(contours)：返回轮廓的数量，等同于检测到的物体数量。

8. 完整代码

下面是完整的代码片段，将以上步骤结合起来，完整实现物体数量检测。

pythonCopy codeimport cv2
import numpy as np

# 读取图像
img = cv2.imread('objects.jpg')

# 转为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 应用高斯模糊以减少噪声
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

# 应用二值化处理（阈值化）
_, thresh = cv2.threshold(blurred, 150, 255, cv2.THRESH_BINARY_INV)

# 定义一个核（用于膨胀和腐蚀）
kernel = np.ones((3, 3), np.uint8)

# 应用膨胀操作，使目标更明显
dilated = cv2.dilate(thresh, kernel, iterations=2)

# 检测图像中的轮廓
contours, _ = cv2.findContours(dilated.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 在原图上绘制轮廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)

# 显示检测到轮廓的图像
cv2.imshow('Contours', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 打印检测到的物体数量
print(f"检测到的物体数量: {len(contours)}")

9. 总结

通过使用OpenCV进行图像的灰度化、二值化、形态学操作以及轮廓检测，我们可以有效地检测图像中的物体数量。这种方法适用于检测具有明显边缘的物体，如硬币、螺母、细胞等。