计算叶片面积，源文件如图：
首先读取图片并完成下采样，缩小图片面积，便于处理：
import cv2
img0=cv2.imread(r'picturefile\lvmiao.jpg',flags=1)
img0=cv2.pyrDown(img0)
img0=cv2.pyrDown(img0)
img0=img0[70:,70:,0]#获取B通道图片，B通道更能区别叶片色彩；且将不必要部分截除，便于处理。
cv2.imshow("imagin0",img0)
cv2.waitKey()
cv2.destroyWindow("imagin0")
结果如下：
为便于得到叶片和钱币各自像素，采用聚类方式，将图片像素点聚为2类，分为背景与前景。聚类算法采用K-means聚类方法，仅采用像素距离作为聚类特征会产生较大误差，因此，可以采用像素实际位置（横纵坐标）和像素点灰度作为聚类特征依据。得到各像素点特征参数程序：
import numpy as np
r,c=img0.shape#灰度图的大小
row=np.zeros((c,r),dtype=np.uint8)#各像素点的行
col=np.zeros((c,r),dtype=np.uint8)#各像素点的列
for i in range(r):
row[i,:]=i
for i in range(c):
col[:,i]=i
feature=[]
for i in range(r):
for j in range(c):
feature.append([row[i,j],col[i,j],img0[i,j]])
feature=np.array(feature)#各像素点的特征，包括行数、列数以及像素距离
然后对所有像素特征进行聚类，并将背景类用黑色点表示，前景类用白色点表示，具体程序为：
from sklearn.cluster import KMeans
label=KMeans(2).fit_predict(feature)#2聚类
bool1=label==0#第一类
bool2=label==1#第二类
img1=img0.copy()
img1=img1.ravel()
img1[bool1]=0#背景像素
img1[bool2]=255 #前景像素
img1=img1.reshape(r,c)#上色后的图片
cv2.imshow("imagin1",img1)
cv2.waitKey()
cv2.destroyWindow("imagin1")
上面程序运行结果为：
我们可以看到聚类结果并不完美，为消除噪声点，选择对背景噪声先腐蚀掉，对前景噪声进行膨胀，为避免对其他地方的影响，可以先使用闭运算去除前景噪声，使用开运算去除背景噪声。具体程序如下：
img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5)
img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8)
cv2.imshow("imagin2",img2)
cv2.waitKey()
cv2.destroyWindow("imagin2")
运行结果为：
我们可以看到，去噪结果良好，接下来我们将提取钱币与叶片轮廓信息：
contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#提取轮廓
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,1,(255))#将叶片轮廓画出
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3")
画出叶片轮廓如图：
从形态学处理结果我们可以知道，叶片轮廓较为完整，但是钱币轮廓并不完整，其像素信息不能构成完整的圆形，为补全钱币，对其做最小外切圆，将叶片和钱币轮廓画出做对比：
(x,y),radius=cv2.minEnclosingCircle(contours[0])
center=(int(x),int(y))
radius=int(radius)
cv2.circle(img3,center,radius,(255))
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3")
处理结果为：
上图可知钱币缺失部分补充完整，下面即对叶片和钱币做填充，计算其像素面积即可：
def calculateNumber(A,b):
num=0
for i in range(len(A)):
for j in range(len(A[0])):
if A[i][j]==b:
num+=1
return num
cv2.drawContours(img3,contours,0,(255),thickness=-1)
s0=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,2,(255),thickness=-1)
画出钱币的填充图，并计算其像素面积为s0,结果图：
下面计算叶片像素面积：
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,2,(255),thickness=-1)
s1=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
叶片像素面积为s1，填充结果如图：
最后根据网络查询到5角硬币为300平方毫米，可以计算出叶片像素面积：
s=s1*300/s0
print(s0,s1,s)
结果为：
如此可计算叶片面积为2807.48平方毫米。完成程序如下：
'''
Created on 2019年10月4日
@author: 紫 薇星君
'''
import cv2
import numpy as np
from sklearn.cluster import KMeans
def calculateNumber(A,b):
num=0
for i in range(len(A)):
for j in range(len(A[0])):
if A[i][j]==b:
num+=1
return num
img0=cv2.imread(r'picturefile\lvmiao.jpg',flags=1)
img0=cv2.pyrDown(img0)
img0=cv2.pyrDown(img0)
img0=img0[70:,70:,0]
cv2.imshow("imagin0",img0)
cv2.waitKey()
cv2.destroyWindow("imagin0")
r,c=img0.shape
row=np.zeros((c,r),dtype=np.uint8)
col=np.zeros((c,r),dtype=np.uint8)
for i in range(r):
row[i,:]=i
for i in range(c):
col[:,i]=i
feature=[]
for i in range(r):
for j in range(c):
feature.append([row[i,j],col[i,j],img0[i,j]])
feature=np.array(feature)
label=KMeans(2).fit_predict(feature)
bool1=label==0
bool2=label==1
bool3=label==2
bool4=label==3
img1=img0.copy()
img1=img1.ravel()
img1[bool1]=0
img1[bool2]=255
img1[bool3]=0
img1[bool4]=0
img1=img1.reshape(r,c)
cv2.imshow("imagin1",img1)
cv2.waitKey()
cv2.destroyWindow("imagin1")
k=np.array([[1,1],[1,1]])
img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5)
img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8)
cv2.imshow("imagin2",img2)
cv2.waitKey()
cv2.destroyWindow("imagin2")
contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,1,(255))
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3")
(x,y),radius=cv2.minEnclosingCircle(contours[0])
center=(int(x),int(y))
radius=int(radius)
cv2.circle(img3,center,radius,(255))
cv2.imshow("imagin3",img3)
cv2.waitKey()
cv2.destroyWindow("imagin3")
contours,hierarchy=cv2.findContours(img3,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,0,(255),thickness=-1)
s0=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
img3=np.zeros((c,r),dtype=np.uint8)
cv2.drawContours(img3,contours,2,(255),thickness=-1)
s1=calculateNumber(img3,255)
cv2.imshow("imagin3",img3)
cv2.waitKey()
s=s1*300/s0
print(s0,s1,s)
本文地址：https://blog.csdn.net/qq_43006184/article/details/107189629
黄山市民网：https://www.huangshanshimin.com/
