文章目錄

• 前言
• • 1.分割流程圖
  • 2.圖像預處理
  • • 2.1 改進二值化算法
    • 2.2 形態學運算
  • 3.提取輪廓
  • 4.凸包檢測
  • 5.標記大米

---

前言

轉載請注明本文出處。

最近一段時間一直在看粘連分割，網上也有很多demo，找了一個大米的圖像做測試。以下是本篇文章正文內容，下面案例可供參考。

1.分割流程圖

分割總流程圖如下圖所示：

2.圖像預處理

圖像預處理包括圖像二值化+形態學運算。

2.1 改進二值化算法

此處二值化思想參考本博客上一篇文章《OTSU改進算法-python》，
輸入原圖：
輸入圖像水印已經去除，方便大家測試。

二值化對比：

1.直接采用二值化算法進行二值化，

_, mask = cv.threshold(image_gray, 115, 255, cv.THRESH_BINARY)

直接采用二值化效果圖：

2.采用adaptive_otsu思想進行二值化，效果如下圖所示：

可以看出二值化效果有了非常大的提升，為后續分割處理打下了基礎。

2.2 形態學運算

此處采用3x3的核對圖像開運算

kernel = np.ones((3, 3), np.uint8) image_bin = cv.morphologyEx(mask, cv.MORPH_OPEN, kernel)

3.提取輪廓

根據以上二值化的圖像提取輪廓，如下圖所示。

_, contours, hierarchy = cv.findContours(image_bin, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

根據以上輪廓，看出有多個大米粘連的情況，下面采用凸包檢測。

4.凸包檢測

凸包檢測為了找到圖中粘連的大米，從圖中可以看出共有三處大米粘連，下圖黃色框部分：

求取凸包數量：

for i in range(len(contours)):cnt = contours[i]hull = cv.convexHull(cnt, returnPoints=False)

此處給定閾值T1（閾值根據自己實際情況設定），判斷凸包數量是否進入下一步，檢測缺陷點。

if len(hull) > T1:defects = cv.convexityDefects(cnt, hull)

如果defects數量>1符合條件將缺陷點連線，如下圖所示：

cv.line(mask, defects_point[0], defects_point[1],0)

5.標記大米

消除粘連后畫出所有輪廓外接矩，及中心點，最終結果如下圖所示：

cv.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0)) # 繪制外接矩 cv.circle(image, (cx, cy), 1, (0, 0, 255), -1) # 用圓點繪制目標重心

總結

以上是生活随笔為你收集整理的Python+Opencv图像处理--基于OTSU+凸包检测的粘连大米分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。