计算机视觉 | 基于图像处理和边缘检测算法的黄豆计数实验

一、实验原理

灰度转换：将彩色图像转换为灰度图像，减少计算复杂度。
高斯平滑：使用高斯模糊来减少图像噪声。
Canny边缘检测：检测图像中的边缘。
轮廓查找：使用OpenCV的findContours函数检测图像中的轮廓。
绘制轮廓和标记：在原始图像上绘制检测到的轮廓，并标记每个轮廓的序号。

二、实验步骤

1. 图像读取与预处理

python 复制代码

import cv2
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('soybean.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 平滑处理
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

soybean.jpg 图片如下所示，可自取：

2. 边缘检测

cv2.Canny(blurred, 30, 150)：使用Canny算法进行边缘检测，参数30和150分别是低阈值和高阈值。

python 复制代码

# 使用Canny边缘检测
edges = cv2.Canny(blurred, 30, 150)

3. 轮廓检测

cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)：查找图像中的轮廓。RETR_EXTERNAL表示只检测外部轮廓，CHAIN_APPROX_SIMPLE表示使用简单的链式近似方法。

python 复制代码

# 查找轮廓
contours, _ = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

4. 标记轮廓序号

cv2.boundingRect(contour)：计算轮廓的边界框，用于确定标注位置。
cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)：绘制轮廓，绿色线条，线宽为2像素。
cv2.putText(image, str(i + 1), (x + w // 2, y + h // 2), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)：在每个轮廓的中心位置标注序号，红色字体，字体大小为0.5，线宽为2像素。

python 复制代码

# 绘制轮廓并标记序号
for i, contour in enumerate(contours):
    # 计算轮廓的边界框，用于确定标注位置
    x, y, w, h = cv2.boundingRect(contour)

    # 绘制轮廓
    cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)

    # 在轮廓内标注序号
    cv2.putText(image, str(i + 1), (x + w // 2, y + h // 2), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

三、实验结果

plt.figure(figsize=(10, 10))：创建一个显示窗口，大小为10x10英寸。
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))：将处理后的图像转换为RGB格式并显示。
plt.axis('off')：关闭坐标轴显示。
plt.show()：显示图像。
print(f"黄豆数量: {len(contours)}")：输出检测到的黄豆数量。

python 复制代码

# 显示结果图像
plt.figure(figsize=(10, 10))
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.show()

# 输出黄豆数量
print(f"黄豆数量: {len(contours)}")

实验结果表明：图像中的所有18个黄豆都被成功识别和标记，每个黄豆的轮廓被绿色线条清晰绘制，序号标记在轮廓中心位置附近。

四、完整代码

python 复制代码

import cv2
import matplotlib.pyplot as plt

# 读取图像
image = cv2.imread('soybean.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 平滑处理
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

# 使用Canny边缘检测
edges = cv2.Canny(blurred, 30, 150)

# 查找轮廓
contours, _ = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓并标记序号
for i, contour in enumerate(contours):
    # 计算轮廓的边界框，用于确定标注位置
    x, y, w, h = cv2.boundingRect(contour)

    # 绘制轮廓
    cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)

    # 在轮廓内标注序号
    cv2.putText(image, str(i + 1), (x + w // 2, y + h // 2), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)

# 显示结果图像
plt.figure(figsize=(10, 10))
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.axis('off')
plt.show()

# 输出黄豆数量
print(f"黄豆数量: {len(contours)}")

计算机视觉 | 基于图像处理和边缘检测算法的黄豆计数实验

目录

一、实验原理

二、实验步骤

1. 图像读取与预处理

2. 边缘检测

3. 轮廓检测

4. 标记轮廓序号

三、实验结果

四、完整代码