题目描述
利用opencv或其他工具编写程序实现缺陷检测。
实现过程
# -*- coding: utf-8 -*-
'''
作者 : 丁毅
开发时间 : 2021/4/21 15:30
'''
import cv2
import numpy as np
from pil import image, imagedraw, imagefont
import matplotlib.pyplot as plt
#用于给图片添加中文字符的函数
def cv2imgaddtext(img, text, left, top, textcolor=(0, 255, 0), textsize=20):
# 判断是否opencv图片类型
if (isinstance(img, np.ndarray)):
img = image.fromarray(cv2.cvtcolor(img, cv2.color_bgr2rgb))
# 创建一个可以在给定图像上绘图的对象
draw = imagedraw.draw(img)
# 字体的格式
fontstyle=imagefont.truetype("font/simsun.ttc",textsize, encoding="utf-8")
# 绘制文本
draw.text((left, top), text, textcolor, font=fontstyle)
# 转换回opencv格式
return cv2.cvtcolor(np.asarray(img), cv2.color_rgb2bgr)
# plt绘图显示中文
plt.rcparams['font.family'] = 'simhei'
img0 = cv2.imread(r"c:\users\pc\desktop
# -*- coding: utf-8 -*-
'''
作者 : 丁毅
开发时间 : 2021/4/21 15:30
'''
import cv2
import numpy as np
from pil import image, imagedraw, imagefont
import matplotlib.pyplot as plt
#用于给图片添加中文字符的函数
def cv2imgaddtext(img, text, left, top, textcolor=(0, 255, 0), textsize=20):
# 判断是否opencv图片类型
if (isinstance(img, np.ndarray)):
img = image.fromarray(cv2.cvtcolor(img, cv2.color_bgr2rgb))
# 创建一个可以在给定图像上绘图的对象
draw = imagedraw.draw(img)
# 字体的格式
fontstyle=imagefont.truetype("font/simsun.ttc",textsize, encoding="utf-8")
# 绘制文本
draw.text((left, top), text, textcolor, font=fontstyle)
# 转换回opencv格式
return cv2.cvtcolor(np.asarray(img), cv2.color_rgb2bgr)
# plt绘图显示中文
plt.rcparams['font.family'] = 'simhei'
img0 = cv2.imread(r"c:\users\pc\desktop\0.bmp")
cv2.imshow('img', img0)
# 彩色图转灰度图
img1 = cv2.cvtcolor(img0, cv2.color_bgr2gray)
# 缺陷检测
for i in range(1, 6):
defect_img0 = cv2.imread(r"c:\users\pc\desktop\%d.bmp"%i)
# 获取灰度图像
defect_img1 = cv2.cvtcolor(defect_img0, cv2.color_bgr2gray)
# 获取原图像的灰度直方图
hist0 = cv2.calchist([img1], [0], none, [256], [0.0, 255.0])
# 获取待检测图像的灰度直方图
hist1 = cv2.calchist([defect_img1], [0], none, [256], [0.0, 255.0])
# 为图像添加标题
plt.title("原图与待检测img%d对比"%i)
# 添加图例
plt.plot(hist0, label='原图')
plt.plot(hist1, label='待检测img%d'%i)
# 相似度比较
rst = cv2.comparehist(hist0, hist1, method=cv2.histcmp_correl)
# res >= 0.95即认为合格
cv2.imshow(str(i) + ".img", cv2imgaddtext(defect_img0, "合格" if rst >= 0.95 else "不合格", 20, 20, (255, 0, 0), 25))
# 设置x轴的数值范围
plt.xlim([0, 256])
plt.legend(loc='upper left')
plt.show()
cv2.waitkey(0)
.bmp")
cv2.imshow('img', img0)
# 彩色图转灰度图
img1 = cv2.cvtcolor(img0, cv2.color_bgr2gray)
# 缺陷检测
for i in range(1, 6):
defect_img0 = cv2.imread(r"c:\users\pc\desktop\%d.bmp"%i)
# 获取灰度图像
defect_img1 = cv2.cvtcolor(defect_img0, cv2.color_bgr2gray)
# 获取原图像的灰度直方图
hist0 = cv2.calchist([img1], [0], none, [256], [0.0, 255.0])
# 获取待检测图像的灰度直方图
hist1 = cv2.calchist([defect_img1], [0], none, [256], [0.0, 255.0])
# 为图像添加标题
plt.title("原图与待检测img%d对比"%i)
# 添加图例
plt.plot(hist0, label='原图')
plt.plot(hist1, label='待检测img%d'%i)
# 相似度比较
rst = cv2.comparehist(hist0, hist1, method=cv2.histcmp_correl)
# res >= 0.95即认为合格
cv2.imshow(str(i) + ".img", cv2imgaddtext(defect_img0, "合格" if rst >= 0.95 else "不合格", 20, 20, (255, 0, 0), 25))
# 设置x轴的数值范围
plt.xlim([0, 256])
plt.legend(loc='upper left')
plt.show()
cv2.waitkey(0)
运行结果
问题及解决方法
1.获取原图的直方图
方式：
cv2.calchist(images, channels, mask, histsize, ranges[, hist[, accumulate ]])
images：输入的图像channels：选择图像的通道mask：是一个大小和image一样的np数组，其中把需要处理的部分指定为1，不需要处理的部分指定为0，一般设置为none，表示处理整幅图像。histsize：使用多少个bin(柱子)，一般为256ranges：像素值的范围，一般为[0,255]表示0~255
该函数结果返回一个二维数组，该数组反应画面中亮度的分布和比例。
2.比较两个直方图的相似度
方式：
cv2.comparehist(h1, h2, method)
h1：第一个直方图数组h2：第二个直方图数组（与第一个纬度相同）method：所使用的方式
该函数返回一个[0,1]的相似度值，值越接近一就表名相似度越高。
3.相似度参数微调
由于comparehist函数返回一个[0,1]的值，需要自己调整一个阈值来选取哪些合格，经过调整后，发现阈值取[0.90, 0.95]能够正确选取与实验的结果，代码中取的是0.95，即待检测图与原图之间的相似度如果小于0.95则不合格。
4.通过plot显示原图与待检测图的关系折线
参考链接
通过calchist函数返回的hist数组值，运用matplotlib绘制原图和待检测图之间的关系折线图。对比两个曲线的差异。
到此这篇关于python opencv缺陷检测的实现的文章就介绍到这了,更多相关opencv缺陷检测内容请搜索www.887551.com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www.887551.com！
黄山市民网：https://www.huangshanshimin.com/
