最近一直有人向我提問很多二值圖像分析相關的問題，特別選擇了兩個典型的輪廓分析問題。進行分析與編碼實現(xiàn)與演示，廢話不多說，先看第一個問題。

問題一

描述如下：

想找到工具盤中間缺少的幾個點，統(tǒng)計出可以看到的工件數(shù)目

仔細分析圖像發(fā)現(xiàn)，中間都毫無另外的有個白色很亮的圓圈，這個給了我兩個思路

可以通過霍夫變換檢測圓來提取到

可以通過二值圖像分析來提取 + 輪廓分析來提取到這些點

得到這些輪廓點之后通過分析整個輪廓區(qū)域得到傾斜角度，進行糾偏，然后通過X與Y投影進行分割，得到每個零件的中心位置坐標，根據每一行的間隔設置閾值，從而實現(xiàn)缺少部分部分的標出與件數(shù)統(tǒng)計，確定了這樣的思路以后，我就開始了寫代碼。代碼實現(xiàn)是基于輪廓分析的思路，因為這個方法，用的閾值比較少，有利于算法穩(wěn)定性檢測。演示各部輸出。二值化處理之后(形態(tài)學處理)：

輪廓發(fā)現(xiàn)與校正角度之后

投影分析與統(tǒng)計結果如下：

此外基于霍夫也是可以嘗試的，霍夫的二值化效果也比較好，顯示如下：

感興趣的同學可以自己繼續(xù)嘗試下去。

問題二

描述如下：

如何統(tǒng)計下圖中的對象個數(shù)，原圖如下

看到這個圖像之后，個人覺得解決十分簡單，基于最外層輪廓發(fā)現(xiàn)即可，無需樹形結構與層次分析，集合圖像形態(tài)學分析或者距離變換就可以得到，最終代碼的運行結果如下：

代碼

問題1的代碼如下(已經添加各步驟注釋了)：

src=cv.imread("D:/images/zsxq/zsxq_01.jpg")
cv.imshow("input",src)

#二值化處理
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY)
se=cv.getStructuringElement(cv.MORPH_RECT,(3,3))
dst=cv.morphologyEx(gray,cv.MORPH_GRADIENT,se)
ret,binary=cv.threshold(dst,0,255,cv.THRESH_OTSU|cv.THRESH_BINARY)

#形態(tài)學處理
se=cv.getStructuringElement(cv.MORPH_ELLIPSE,(5,5))
binary=cv.morphologyEx(binary,cv.MORPH_OPEN,se)
se=cv.getStructuringElement(cv.MORPH_ELLIPSE,(10,10))
binary=cv.morphologyEx(binary,cv.MORPH_CLOSE,se)
cv.imshow("binary",binary)

#輪廓分析
contours,hireachy=cv.findContours(binary,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
result=np.zeros_like(binary)
total=0
forcntinrange(len(contours)):
area=cv.contourArea(contours[cnt])
ifarea

	

	問題2的完整代碼如下：

	
importcv2ascv
importnumpyasnp

src=cv.imread("D:/images/zsxq/zsxq_02.jpg")
cv.imshow("input",src)
src=cv.GaussianBlur(src,(3,3),0)
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY)
edge=cv.Canny(src,50,100)

se=cv.getStructuringElement(cv.MORPH_ELLIPSE,(10,10))
binary=cv.morphologyEx(edge,cv.MORPH_CLOSE,se)
contours,hireachy=cv.findContours(binary,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
count=0
forcntinrange(len(contours)):
area=cv.contourArea(contours[cnt])
ifarea

	

	

	審核編輯：湯梓紅