-
Notifications
You must be signed in to change notification settings - Fork 0
/
objdetector.py
160 lines (141 loc) · 8.23 KB
/
objdetector.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
#coding:utf-8
import numpy as np
import cv2
class objDetector:
def __init__(self,image):
self.image=image
def detect(self,image=None):
if image==None:
image=self.image
# cv2.imshow("image",image)
# cv2.waitKey(1)
cv2.imwrite("process\image.jpg",image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# cv2.imshow("gray",gray)
# cv2.waitKey(1)
cv2.imwrite("process\gray.jpg", gray)
gray = cv2.blur(gray, (5, 5))
# cv2.imshow("gray-blur", gray)
# cv2.waitKey(1)
cv2.imwrite("process\grayblur.jpg", gray)
# step2:用Sobel算子计算x，y方向上的梯度，之后在x方向上减去y方向上的梯度，通过这个减法，我们留下具有高水平梯度和低垂直梯度的图像区域
gradX = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradY = cv2.Sobel(gray, ddepth=cv2.CV_32F, dx=0, dy=1, ksize=-1)
# cv2.imshow("gradientX", cv2.convertScaleAbs(gradX))
# cv2.waitKey(1)
cv2.imwrite("process\gradX.jpg", cv2.convertScaleAbs(gradX))
# cv2.imshow("gradientY", cv2.convertScaleAbs(gradY))
# cv2.waitKey(1)
cv2.imwrite("process\gradY.jpg", cv2.convertScaleAbs(gradY))
# subtract the y-gradient from the x-gradient
gradient = cv2.add(cv2.convertScaleAbs(gradX), cv2.convertScaleAbs(gradY))
gradient = cv2.convertScaleAbs(gradient)
# cv2.imshow("gradientXY", gradient)
# cv2.waitKey(1)
cv2.imwrite("process\gradientXY.jpg", gradient)
# step3：去除图像上的噪声。首先使用低通滤泼器平滑图像（9 x 9内核）,这将有助于平滑图像中的高频噪声。
# 低通滤波器的目标是降低图像的变化率。如将每个像素替换为该像素周围像素的均值。
# 这样就可以平滑并替代那些强度变化明显的区域。
# blur and threshold the image
blurred = cv2.blur(gradient, (5, 5))
# cv2.imshow("blurred模糊", blurred)
# cv2.waitKey(1)
cv2.imwrite("process\blurred.jpg", blurred)
# 对模糊图像二值化。梯度图像中不大于90的任何像素都设置为0（黑色） 否则，像素设置为255（白色）
(_, thresh) = cv2.threshold(blurred, 127, 255, cv2.THRESH_BINARY) ####物体是浅色
# (_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)####物体是深色
# cv2.imshow("thresh阈值", thresh)
# cv2.waitKey(1)
cv2.imwrite("process\thresh.jpg", thresh)
# step4:在上图中我们看到蜜蜂身体区域有很多黑色的空余，我们要用白色填充这些空余，
# 使得后面的程序更容易识别昆虫区域，这需要做一些形态学方面的操作
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25)) # 定义模板
closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel) # 闭运算,去除凹角
# cv2.imshow("close闭运算", closed)
# cv2.waitKey(1)
cv2.imwrite("process\close.jpg", closed)
# step5:从上图我们发现图像上还有一些小的白色斑点，这会干扰之后的昆虫轮廓的检测，要把它们去掉。
# 分别执行4次形态学腐蚀与膨胀。
# perform a series of erosions and dilations
closed = cv2.erode(closed, None, iterations=1) # 腐蚀
# cv2.imshow("erode腐蚀1", closed)
# cv2.waitKey(1)
cv2.imwrite("process\erode1.jpg", closed)
closed = cv2.erode(closed, None, iterations=1) # 腐蚀
# cv2.imshow("erode腐蚀2", closed)
# cv2.waitKey(1)
cv2.imwrite("process\erode2.jpg", closed)
closed = cv2.erode(closed, None, iterations=1) # 腐蚀
# cv2.imshow("erode腐蚀3", closed)
# cv2.waitKey(1)
cv2.imwrite("process\erode3.jpg", closed)
closed = cv2.erode(closed, None, iterations=1) # 腐蚀
# cv2.imshow("erode腐蚀4", closed)
# cv2.waitKey(1)
cv2.imwrite("process\erode4.jpg", closed)
closed = cv2.dilate(closed, None, iterations=1) # 膨胀
# cv2.imshow("dilate膨胀1", closed)
# cv2.waitKey(1)
cv2.imwrite("process\dilate1.jpg", closed)
closed = cv2.dilate(closed, None, iterations=1) # 膨胀
# cv2.imshow("dilate膨胀2", closed)
# cv2.waitKey(1)
cv2.imwrite("process\dilate2.jpg", closed)
closed = cv2.dilate(closed, None, iterations=1) # 膨胀
# cv2.imshow("dilate膨胀3", closed)
# cv2.waitKey(1)
cv2.imwrite("process\dilate3.jpg", closed)
closed = cv2.dilate(closed, None, iterations=1) # 膨胀
# cv2.imshow("dilate膨胀4", closed)
# cv2.waitKey(1)
cv2.imwrite("process\dilate4.jpg", closed)
# step6：找出昆虫区域的轮廓。cv2.findContours()函数第一个参数是要检索的图片，必须是为二值图，即黑白的（不是灰度图），
# 所以读取的图像要先转成灰度的，再转成二值图，我们在第三步用cv2.threshold()函数已经得到了二值图。
# 第二个参数表示轮廓的检索模式，有四种：
# cv2.RETR_EXTERNAL表示只检测外轮廓
# cv2.RETR_LIST检测的轮廓不建立等级关系
# cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
# cv2.RETR_TREE建立一个等级树结构的轮廓。
# 第三个参数为轮廓的近似方法
# cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
# cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
# cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。
# cv2.findContours()函数返回第一个值是list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。
# 每一个ndarray里保存的是轮廓上的各个点的坐标。我们把list排序，点最多的那个轮廓就是我们要找的昆虫的轮廓。
# OpenCV中通过cv2.drawContours在图像上绘制轮廓。
# 第一个参数是指明在哪幅图像上绘制轮廓
# 第二个参数是轮廓本身，在Python中是一个list
# 第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓
# 第四个参数是轮廓线条的颜色
# 第五个参数是轮廓线条的粗细
# cv2.minAreaRect()函数:
# 主要求得包含点集最小面积的矩形，这个矩形是可以有偏转角度的，可以与图像的边界不平行。
(_, cnts, _) = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
# print c
# compute the rotated bounding box of the largest contour
rect = cv2.minAreaRect(c)
# print "rect.type:" + str(type(rect))
box = np.int0(cv2.boxPoints(rect))
# print "box.type:" + str(type(box))
# draw a bounding box arounded the detected barcode and display the image
cv2.drawContours(image, [box], -1, (0, 255, 0), 3)
# cv2.imshow("coutours原始轮廓", image)
# cv2.waitKey(1)
cv2.imwrite("process\contoursImage.jpg", image)
# step7：裁剪。box里保存的是绿色矩形区域四个顶点的坐标。
# 我将按下图红色矩形所示裁剪昆虫图像。找出四个顶点的x，y坐标的最大最小值。
# 新图像的高=maxY-minY，宽=maxX-minX。
Xs = [i[0] for i in box]
Ys = [i[1] for i in box]
x1 = min(Xs)
x2 = max(Xs)
y1 = min(Ys)
y2 = max(Ys)
hight = y2 - y1
width = x2 - x1
cropImg = image[y1:y1 + hight, x1:x1 + width]
# cv2.imshow("cropImg", cropImg)
# cv2.waitKey(1)
cv2.imwrite("process\cropImg.jpg", cropImg)
return x1,y1,width,hight