综合实验1 利用OpenCV统计物体数量

一、实验简介

传统的计数方法常依赖于人眼目视计数，不仅计数效率低，且容易计数错误。通常现实中的对象不会完美地分开，需要通过进一步的图像处理将对象分开并计数。本实验巩固对OpenCV的基础操作的使用，适当的增加OpenCV在图像处理方向的进阶操作，例如利用canny算子等算法进行图像分割

二、实验目的

通过本实验能够综合利用OpenCV在图像处理的方向的应用，了解并使用

OpenCV的基本操作，了解大概运行逻辑和原理。

三、实验步骤与结果

1、实验实现功能说明

    通过本实验能够综合利用opencv在图像处理的方向的应用，能够识别图片中硬币数量。

2、实验整体设计思路

1、选取图片：可以选取硬币摆放简单的图片，边缘清晰也无交叉叠加；可以选取硬币叠加的图片，增加分割难度；可以选取一张包含不同物体的图片且物体之间边缘并不十分清晰，将指定物品的数量显示出来

2、图片读取与展示

3、转成灰度图并进行二值化

4、去掉背景

5、利用距离变换通过阈值让图像粘连分开或者采用腐蚀膨胀方法来，或者图像分割（包括canny边缘检测等算法）将物体分割。

6、若采用距离变换方法或者腐蚀膨胀方法，需统计物体的轮廓，若直接采用图像分割方法则省略这一步。

7、获得零件数量。

8、绘制轮廓。（可以用不同的颜色为物体做一个区分）

3、实验程序

#导入库

import cv2
import enum
import ipywidgets.widgets as widgets
import numpy as np
import matplotlib.pyplot as plt
import random
from IPython.core.display_functions import display
from cv2 import putText

#显示文件图像
# 1 文件的读取 2 封装格式解析 3 数据解码 4 数据加载
img = cv2.imread('coins.jpg', 1)
# cv2.imshow('image', img)  #这段需要在树莓派图形化界面命令行执行，会显示一个图像的窗口
cv2.imwrite('coins.jpg', img) # 1 name 2 data


# 展示图像的函数
def show(img, title=None):
    if title:
        plt.title(title)
    try:
        plt.imshow(img[:, :, ::-1])
    except Exception as e:
        plt.imshow(img, cmap="gray")
    finally:
        plt.show()


#高斯滤波，减小噪点和硬币上的图案对轮廓识别的影响
blurred = cv2.GaussianBlur(img, (15, 15), 0)
show(blurred, '231_lwx&wpb_After Gaussian filtering')


#转化为灰度图
img_gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
show(img_gray, '231_lwx&wpb_Gray Image')



img_gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
# 统计各个灰度级的个数
gray_histogram = cv2.calcHist([img_gray], [0], None, [256], [0, 256])
# 绘制灰度直方图
plt.plot(gray_histogram, color='red')
plt.title("231_lwx&wpb_Grayscale Histogram")
plt.xlabel("Gray Level")
plt.ylabel("Count")
plt.xlim([0, 256])
plt.show()



# 算法自动找出合适阈值ret2，将灰度图转换为黑白图，thresh为返回的黑白图
ret2, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_OTSU+cv2.THRESH_BINARY)
show(thresh,'231_lwx&wpb_gray')


#另一种腐蚀膨胀
img_bgr2rgb1 = thresh
plt.imshow(img_bgr2rgb1)
plt.show()


# 开运算：先腐蚀，再膨胀，消除图片背景的噪声
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=3)
show(opening,'231_lwx&wpb_Open Operation')



result=opening
#画出轮廓
contours,hirearchy=cv2.findContours(result,cv2.RETR_EXTERNAL,

cv2.CHAIN_APPROX_SIMPLE)# 找出连通域
img1=img.copy()
img1 = cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
show(img1, '231_lwx&wpb_Box the result')

ObjCount = len(contours)

# 在每个轮廓的中心标注轮廓的标号
for i in range(0, ObjCount):
    # minAreaRect返回轮廓的最小外接矩形的信息
    rect = cv2.minAreaRect(contours[i])
    img1 = cv2.drawContours(img, contours, i, (0, 0, 255), 2)
    # 在绘制轮廓前生成随机颜色
    random_color = (random.randint(0, 255), random.randint(0, 255), random.randint(0, 255))
    img1 = cv2.drawContours(img, contours, i, random_color, 2)

    img2 = putText(img, str(i + 1), (int(rect[0][0]), int(rect[0][1])), cv2.FONT_HERSHEY_COMPLEX, 1, random_color, 2)
    # 在图片上标注硬币的个数
img3 = putText(img, 'ObjCount=' + str(ObjCount), (20, 30), cv2.FONT_HERSHEY_COMPLEX, 1, (255, 0, 0), 2)
# 署名
cv2.putText(img, "lvwenxiang", (0, 60), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)
cv2.putText(img, "wangpengbo", (0, 90), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)

# 所有操作结束后进行释放
show(img1)
 

print(f"The Count of Corn is {ObjCount}")

4、实验结果

1.高斯模糊处理&二值化，灰度图

 

2.灰度直方图&灰度图转黑白图

3.两种腐蚀膨胀方法，类似

4.描绘边界，统计数量

5.终端显示

四、实验分析

1、实验总结与收获

实验未达到理想结果，理想的结果是任意给出一张图片，能识别出图中硬币数量。分析原因：一，与统计数量原理有关，当图片背景和硬币的颜色，饱和度等视觉感应相似时，python处理的机械化往往会造成误差。二，在转灰度图时无法分割硬币，即使在腐蚀膨胀后也无法分割硬币，与硬币反光也有一定关系。

实验结果可以实现，让我们了解了图片物体统计的基本原理，本次综合实验基于前面对OpenCV基础编程的了解，打下坚实基础后，才可熟练完成本次任务。实验中需要选择和调试不同的参数，如阈值、腐蚀和膨胀的迭代次数等，这些参数的选择对最终的图像处理效果有很大的影响。我们学会了通过不断尝试和调整参数来找到最佳的处理结果，这也突显了参数选择的挑战性和重要性。在进行图像处理实验时，记录和追踪每个处理步骤和参数设置是非常重要的，添加必要的备注有助于增强代码可读性，这可以确保实验结果的可重复性，也方便了解和修复潜在的问题。

2、实验收获

本次实验的进行使我们对计算机视觉领域有了初步的认识，让我们能够对OpenCV这方面的知识有一个比较基础的了解，对我们学习Python方面有非常棒的提高，使我对图像处理和其他种种技术有了较为坚实的基础。

同时这次实验也提高了寻找问题和解决问题能力，锻炼了我的思考能力，强化了我的思维方式，这对我今后的学习和生活都有很大的帮助。

3、其他（实验建议或意见）

提供腐蚀膨胀的代码以及，给出更多的解决策略供新手学习参考，可给出网址，让我们对识别统计的原理有更深的了解，发现更多解决问题方法。