希望对原始图片进行处理,然后计算图片上的黑色和白色的占比
上图,
原始图片
python
import numpy as np
import cv2
import matplotlib.pyplot as plt
def cal_black(img_file):
#功能: 计算图片中的区域的黑色比例
#取图片中不同的位置进行计算,然后计算器数值
#----------------
percentages={}#初始化变量
img=cv2.imread(img_file)#step1,加载图片#fiter_1.jpg
shape_size=img.shape#图片的尺寸
dic_area=split_area(shape_size)#需要检测的位置。
#剪切图片
part_img_1=img[y1:y2,x1:x2]
# 灰度处理
img_grey=cv2.cvtColor(part_img_1,cv2.COLOR_RGB2GRAY)#COLOR_BGR2GRAY
# 高斯过滤噪音
ret, thresh = cv2.threshold(img_grey, 127, 255, cv2.THRESH_BINARY)
#img_source 为处理后的图片,二值化处理后的图片\
black=0
color_black=0
color_white=0
shape_size=thresh.shape
for i in range(0,shape_size[0]):
y,x=shape_size[0],shape_size[1]
color=thresh[i,0]#得到他得颜色RGB数值
if color==255:
color_white=color_white+1#白色
else:
color_black=color_black+1#黑色
percentages[key]=100*color_black/(color_white+color_white)#计算黑色占比
return percentages
在代码中主要采用了遍历进行计算,每个点计算函数的颜色然后统计,比较简单暴力,
网络上有另外的方法,摘录如下;更改其中的代码就可以。
python
# # 应用二值化
ret, thresh = cv2.threshold(img_grey, 80, 255, cv2.THRESH_BINARY) #80
# ------------计算黑色像素的数量
black_pixels = np.count_nonzero(thresh == 0)
# 计算黑色像素的数量
black_pixels2 = np.sum(thresh == 0)
# ------------计算总的像素数量
total_pixels = thresh.shape[0] * thresh.shape[1]
# ------------计算黑色像素的占比
black_ratio = black_pixels / total_pixels
print(f"黑色像素的占比: {black_ratio:.4f}")
主要用于图像特征分析。