python – OpenCV硬币检测和自动结果检查

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – OpenCV硬币检测和自动结果检查，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2135字，纯文字阅读大概需要4分钟。

内容图文

我正在开展一个硬币识别项目.
我遇到的第一件事就是从图像中提取正确的硬币,即使是非常简单的图像也是如此.
硬币检测有很多好的工作方法,但我认为所有这些都需要在申请后进行人工检查.我测试了其中两个：

cv2.HoughCircles和阈值与findig countours之后.

这里有一些成功的处理示例：

cv2.HoughCircles,效果很好

cv2.HoughCircles,结果不好

但是对于第二个图像,它可以很好地解决threshloding并在它之后找到countours：

这样的事情：

gray = cv2.GaussianBlur(gray, (15, 15), 0)

#gray = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV, 11, 1)
    (_,gray) = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
  contours, hierarchy = cv2.findContours(gray, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

for i,cnt in enumerate(contours):
    ellipse = cv2.fitEllipse(cnt)
    print ellipse,type(ellipse)
    cv2.ellipse(color_img, ellipse, (0,255,0), 2)

产生非常好的结果：

但对于其他一些图像,它非常纯净,

之所以发生这种情况,是因为硬币要从另一个中关闭,而bluring已将它们合并.这是非常简单的cas和它我可以检查结果是否只有一个轮廓下降它.但有时它会更复杂.我想实现一些算法,尝试不同的分割方法并选择最好的方法.但很难为我编码这个指标 – 有谁想法怎么做？

来自示例的原始图像：
这三个是相当的,但实际上不是规则 – 其中一些有背景,其中一些甚至不是硬币 – 这就是为什么我在考虑一些postchecking过程.

解决方法:

我成功地使用了具有以下参数的blob检测器：

Ptr<SimpleBlobDetector> detector;
SimpleBlobDetector::Params params;
params.minThreshold = 150;
params.maxThreshold = 230;
params.filterByArea = true;
params.minArea = 50;
params.maxArea = 50000;
params.filterByConvexity = true;
params.minConvexity = 0.9;
params.maxConvexity = 1.0;

params.filterByCircularity = false;
params.filterByInertia = false;
params.filterByColor = false;
detector = SimpleBlobDetector::create(params);

然后找到blob并绘制圆圈：

Mat SearchImage; // set to whatever picture contains coins
Mat DrawImage; // image to draw on with drawKeypoints
SearchImage.copyTo(DrawImage);
vector<cv::KeyPoint> keypoints;
detector->detect(SearchImage, keypoints);
drawKeypoints(SearchImage, keypoints, DrawImage, Scalar(0, 0, 0), DrawMatchesFlags::DRAW_RICH_KEYPOINTS);

编辑：
此示例代码在C中.有关Python接口,请参阅here以获取示例.

内容总结

以上是互联网集市为您收集整理的python – OpenCV硬币检测和自动结果检查全部内容，希望文章能够帮你解决python – OpenCV硬币检测和自动结果检查所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端