【使用OpenCV进行目标分割与计数的代码实例详解】-Toy模板网

这篇具有很好参考价值的文章主要介绍了【使用OpenCV进行目标分割与计数的代码实例详解】。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

概要

在当今数字图像处理领域，图像分割技术是一项至关重要的任务。图像分割旨在将图像中的不同目标或区域准确地分开，为计算机视觉、图像识别和机器学习等领域提供了坚实的基础。在图像分割的广泛应用中，二值化、形态学预处理、距离变换以及分水岭算法等技术被广泛探讨和应用。

首先，二值化技术通过将灰度图像转化为黑白图像，为分割算法提供了清晰的背景和前景。其次，形态学预处理通过腐蚀、膨胀等操作，清除噪声、连接物体，为后续处理提供了更加准确的图像。接着，距离变换技术能够量化地描述图像中各个像素点与目标的距离关系，为图像分析提供了重要依据。最后，分水岭算法则是一种高度智能的分割技术，通过模拟水流形成分割边界，解决了复杂目标重叠和交叉的挑战。

实例一：硬币分割计数

导入必要的库：

from skimage.feature import peak_local_max
from skimage.morphology import watershed
from scipy import ndimage
import numpy as np
import argparse
import imutils
import cv2

加载并预处理图像：

image = cv2.imread("1.jpg")
shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
cv2.imshow("Input", image)

这里使用了均值迁移滤波（Mean Shift Filtering）来平滑图像，使得图像中的区域更加集中，有助于后续的阈值处理。

将图像转换为灰度图，然后进行二值化处理：

gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("Thresh", thresh)

这里使用了Otsu的阈值处理方法，将灰度图转换为二值图。

计算距离变换并找到峰值：

D = ndimage.distance_transform_edt(thresh)
localMax = peak_local_max(D, indices=False, min_distance=10, labels=thresh)

这一步计算了二值化图像的距离变换（Euclidean Distance Transform），然后找到了距离图中的峰值点。

应用分水岭算法进行图像分割：

markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]
labels = watershed(-D, markers, mask=thresh)

这里使用了分水岭算法，通过标记（markers）和掩码（mask）将图像分割成不同的区域。

分割结果的后处理：

for label in np.unique(labels):
    # if the label is zero, we are examining the 'background'
  # so simply ignore it
  if label == 0:
    continue
 
  # otherwise, allocate memory for the label region and draw
  # it on the mask
  mask = np.zeros(gray.shape, dtype="uint8")
  mask[labels == label] = 255
 
  # detect contours in the mask and grab the largest one
  cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
    cv2.CHAIN_APPROX_SIMPLE)
  cnts = imutils.grab_contours(cnts)
  c = max(cnts, key=cv2.contourArea)
 
  # draw a circle enclosing the object
  ((x, y), r) = cv2.minEnclosingCircle(c)
  cv2.circle(image, (int(x), int(y)), int(r), (0, 255, 0), 2)
  cv2.putText(image, "{}".format(label), (int(x) - 10, int(y)),
    cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)

在这个循环中，对分水岭算法得到的每个区域进行处理，找到每个区域的轮廓，然后用圆圈标注出物体的轮廓，并在标注中显示区域的标签。

显示最终的分割结果：

 cv2.imshow("Output", image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

最终，代码将显示带有分割结果的原始图像。

这段代码演示了一个完整的图像分割流程，包括图像预处理、距离变换、分水岭算法的应用，以及对分割结果的后处理和可视化。
全部代码：

# import the necessary packages
from skimage.feature import peak_local_max
from scipy import ndimage
import numpy as np
import argparse
import imutils
import cv2
from skimage.morphology import watershed
# load the image and perform pyramid mean shift filtering
# to aid the thresholding step
image = cv2.imread("img.png")
shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
cv2.imshow("Input", image)

# convert the mean shift image to grayscale, then apply
# Otsu's thresholding
gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255,
                       cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("Thresh", thresh)

# compute the exact Euclidean distance from every binary
# pixel to the nearest zero pixel, then find peaks in this
# distance map
D = ndimage.distance_transform_edt(thresh)
localMax = peak_local_max(D, indices=False, min_distance=10,
                          labels=thresh)

# perform a connected component analysis on the local peaks,
# using 8-connectivity, then appy the Watershed algorithm
markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]
labels = watershed(-D, markers, mask=thresh)
print("[INFO] {} unique segments found".format(len(np.unique(labels)) - 1))

# loop over the unique labels returned by the Watershed
# algorithm
for label in np.unique(labels):
    # if the label is zero, we are examining the 'background'
    # so simply ignore it
    if label == 0:
        continue

    # otherwise, allocate memory for the label region and draw
    # it on the mask
    mask = np.zeros(gray.shape, dtype="uint8")
    mask[labels == label] = 255

    # detect contours in the mask and grab the largest one
    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    c = max(cnts, key=cv2.contourArea)

    # draw a circle enclosing the object
    ((x, y), r) = cv2.minEnclosingCircle(c)
    cv2.circle(image, (int(x), int(y)), int(r), (0, 255, 0), 2)
    cv2.putText(image, "{}".format(label), (int(x) - 10, int(y)),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)

# show the output image
cv2.imshow("Output", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

使用时候将图片放在同级目录，修改文件名字即可：
img.png,11行修改即可。
硬币图片自己随便找，复制图像截屏使用都可以：
【使用OpenCV进行目标分割与计数的代码实例详解】,# 学习笔记,python深度学习,人工智能,opencv,计算机视觉,人工智能,python,数据分析,信息可视化

【使用OpenCV进行目标分割与计数的代码实例详解】,# 学习笔记,python深度学习,人工智能,opencv,计算机视觉,人工智能,python,数据分析,信息可视化

使用结果：
三张图片：
【使用OpenCV进行目标分割与计数的代码实例详解】,# 学习笔记,python深度学习,人工智能,opencv,计算机视觉,人工智能,python,数据分析,信息可视化
注意：
导入库函数的部分，这个skimage库函数的没有，需要下载全部名字。
在环境下载库函数

pip install scikit-image -i https://pypi.tuna.tsinghua.edu.cn/simple

如果导入成功，但是运行报错：

D:\anaconda\envs\yolov5\python.exe E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\光流\11.py 
Traceback (most recent call last):
  File "E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\光流\11.py", line 26, in <module>
    localMax = peak_local_max(D, indices=False, min_distance=10,
TypeError: peak_local_max() got an unexpected keyword argument 'indices'

Process finished with exit code 1

说明使用的peak_local_max函数的参数中含有indices，但该函数在较新的版本中已经没有该参数了。

这可能是由于scikit-image库版本过高导致的。检查scikit-image库版本是否为0.17.2或更高版本，如果是，可以将该库回退到0.16.2版本：

pip install scikit-image==0.16.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

如果依然想要使用最新的scikit-image库，将indices参数删除并改用默认值即可，例如：

localMax = peak_local_max(D, min_distance=10,
                          threshold_abs=threshold)

这样可以避免indices参数引起的错误。

实例二：玉米粒分割计数

导入必要的库：

import numpy as np
import cv2
from matplotlib import pyplot as plt

读取图像并进行灰度化处理：

img = cv2.imread('5.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

二值化处理：

ret, thresh = cv2.threshold(gray, 245, 255, cv2.THRESH_BINARY)

这一步将灰度图像转换为二值图像，其中灰度值大于等于245的像素被设为255（白色），小于245的像素被设为0（黑色）。

图像膨胀：

k = cv2.getStructuringElement(cv2.MORPH_RECT, (13, 13))
dilate = cv2.dilate(thresh, k, iterations=3)

通过膨胀操作，将二值图像中的物体区域扩大，便于后续处理。

距离变换：

cv2.bitwise_not(dilate, dilate)
dist_transform = cv2.distanceTransform(dilate, cv2.DIST_L2, 3)
dist = cv2.normalize(dist_transform, dist_transform, 0, 1.0, cv2.NORM_MINMAX)

这一步计算了图像中每个像素点到最近的背景像素的距离，得到了距离变换图。在这个图像中，物体的中心部分距离背景较远，而边缘部分距离背景较近。

二值化距离变换图：

dist = cv2.convertScaleAbs(dist)
ret2, morph = cv2.threshold(dist, 0.99, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

这一步将距离变换图二值化，得到了分割后的图像。

形态学开运算：

k2 = cv2.getStructuringElement(cv2.MORPH_RECT, (11, 5))
sure_fg = cv2.morphologyEx(morph, cv2.MORPH_OPEN, k2, iterations=1)

这一步通过形态学开运算去除小的噪点，保留大的物体区域。

寻找轮廓并标注：

thresh, contours, hierarchy = cv2.findContours(sure_fg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for i in range(0, len(contours)):
    (x, y, w, h) = cv2.boundingRect(contours[i])
    cv2.circle(img, (x + int(w / 2), y + int(h / 2)), 20, (0, 0, 255), -1, cv2.LINE_AA)
    cv2.putText(img, str(i + 1), (x + int(w / 2) - 15, y + int(h / 2) + 5), font, 0.8, (0, 255, 0), 2)

这一步使用cv2.findContours函数找到图像中的轮廓，然后绘制圆圈和文本标注在图像上，表示找到的物体区域。

显示和保存结果：

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

最后，通过cv2.imshow显示处理后的图像。

全部代码：

import numpy as np
import cv2
from matplotlib import pyplot as plt

font = cv2.FONT_HERSHEY_SIMPLEX

img = cv2.imread('img_2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 245, 255, cv2.THRESH_BINARY)
cv2.imshow("threshold", thresh)

k = cv2.getStructuringElement(cv2.MORPH_RECT, (13, 13))
dilate = cv2.dilate(thresh, k, iterations=3)
cv2.imshow("dilate", dilate)

cv2.bitwise_not(dilate, dilate)
dist_transform = cv2.distanceTransform(dilate, cv2.DIST_L2, 3)
dist = cv2.normalize(dist_transform, dist_transform, 0, 1.0, cv2.NORM_MINMAX)
cv2.imshow("distance", dist)
cv2.imwrite("dis.jpg", dist)

# dist = np.uint8(dist)
dist = cv2.convertScaleAbs(dist)
ret2, morph = cv2.threshold(dist, 0.99, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# ret2, morph = cv2.threshold(dist,0,255,cv2.THRESH_BINARY_INV)
cv2.imshow("morph", morph)

k2 = cv2.getStructuringElement(cv2.MORPH_RECT, (11, 5))
sure_fg = cv2.morphologyEx(morph, cv2.MORPH_OPEN, k2, iterations=1)  # 形态开运算

cv2.imshow("result", sure_fg)

thresh, contours, hierarchy = cv2.findContours(sure_fg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for i in range(0, len(contours)):
    (x, y, w, h) = cv2.boundingRect(contours[i])
    # cv2.drawContours(img,contours,i,(0,255,0),5)
    cv2.circle(img, (x + int(w / 2), y + int(h / 2)), 20, (0, 0, 255), -1, cv2.LINE_AA)
    cv2.putText(img, str(i + 1), (x + int(w / 2) - 15, y + int(h / 2) + 5), font, 0.8, (0, 255, 0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图：
【使用OpenCV进行目标分割与计数的代码实例详解】,# 学习笔记,python深度学习,人工智能,opencv,计算机视觉,人工智能,python,数据分析,信息可视化
结果：

【使用OpenCV进行目标分割与计数的代码实例详解】,# 学习笔记,python深度学习,人工智能,opencv,计算机视觉,人工智能,python,数据分析,信息可视化
opencv版本不适配可能报错：

D:\anaconda\envs\yolov5\python.exe E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\光流\22.py 
Traceback (most recent call last):
  File "E:\yolo项目\Opencv-project-main\Opencv-project-main\CVZone\光流\22.py", line 33, in <module>
    thresh, contours, hierarchy = cv2.findContours(sure_fg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
ValueError: not enough values to unpack (expected 3, got 2)

Process finished with exit code 1

解决办法：
降低版本参考：
降低版本参考：
替换：

contours, _ = cv2.findContours(sure_fg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

替换：【使用OpenCV进行目标分割与计数的代码实例详解】,# 学习笔记,python深度学习,人工智能,opencv,计算机视觉,人工智能,python,数据分析,信息可视化文章来源地址https://www.toymoban.com/news/detail-758216.html

到了这里，关于【使用OpenCV进行目标分割与计数的代码实例详解】的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

【使用OpenCV进行目标分割与计数的代码实例详解】

概要

实例一：硬币分割计数

实例二：玉米粒分割计数

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

支付宝扫一扫领取红包，优惠每天领

二维码1

二维码2