101 lines
4.4 KiB
Python
101 lines
4.4 KiB
Python
|
import cv2
|
|||
|
|
import numpy as np
|
|||
|
|
|
|||
|
|
# 读取图像（以灰度模式加载）
|
|||
|
|
# 作用：将 '1.jpg' 图像读入内存，转换为单通道灰度图，便于后续图像处理
|
|||
|
|
# 注意：如果路径错误或文件不存在，image 将为 None，导致后续报错
|
|||
|
|
image = cv2.imread('1.jpg', cv2.IMREAD_GRAYSCALE)
|
|||
|
|
|
|||
|
|
# 检查图像是否成功加载
|
|||
|
|
if image is None:
|
|||
|
|
raise FileNotFoundError("无法读取图像，请检查文件路径是否正确：'1.jpg'")
|
|||
|
|
|
|||
|
|
# 均值滤波，滤波核大小为7x7
|
|||
|
|
# 作用：对图像进行平滑处理，去除高频噪声（如随机噪点）
|
|||
|
|
# 原理：用每个像素周围7x7邻域的平均值替换该像素值，使图像更“柔和”
|
|||
|
|
blurred = cv2.blur(image, (7, 7))
|
|||
|
|
|
|||
|
|
# 使用局部自适应阈值进行图像分割
|
|||
|
|
# 作用：将图像二值化，突出比局部背景更暗的区域（如划痕、凹坑等缺陷）
|
|||
|
|
# 参数说明：
|
|||
|
|
# - cv2.ADAPTIVE_THRESH_MEAN_C：阈值基于局部邻域的平均值
|
|||
|
|
# - 11：邻域大小（奇数），决定局部范围
|
|||
|
|
# - 2：从均值中减去的常数，用于微调灵敏度
|
|||
|
|
# - cv2.THRESH_BINARY_INV：反转结果，缺陷区域为白色（255），背景为黑色（0）
|
|||
|
|
thresholded = cv2.adaptiveThreshold(
|
|||
|
|
blurred, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
|
|||
|
|
cv2.THRESH_BINARY_INV, 11, 2
|
|||
|
|
)
|
|||
|
|
|
|||
|
|
# 查找图像中的轮廓
|
|||
|
|
# 作用：检测二值图像中所有连通的白色区域（即潜在缺陷）
|
|||
|
|
# 返回值：
|
|||
|
|
# - contours: 所有轮廓的坐标点列表
|
|||
|
|
# - _ : 轮廓的层级关系（此处不需要）
|
|||
|
|
# 方法选择：
|
|||
|
|
# - cv2.RETR_LIST：提取所有轮廓，不建立层级
|
|||
|
|
# - cv2.CHAIN_APPROX_SIMPLE：压缩水平/垂直/对角线方向的轮廓点，节省内存
|
|||
|
|
contours, _ = cv2.findContours(thresholded, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
|
|||
|
|
|
|||
|
|
# 创建一个彩色图像用于结果显示
|
|||
|
|
# 作用：将原始灰度图转换为BGR三通道图像，以便用不同颜色绘制检测结果
|
|||
|
|
output_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
|
|||
|
|
|
|||
|
|
# 对每个检测到的轮廓进行面积筛选
|
|||
|
|
# 作用：过滤掉太小（可能是噪声）或太大（可能是背景干扰）的区域
|
|||
|
|
# 设置面积阈值范围：250 ~ 1000 像素
|
|||
|
|
min_area, max_area = 250, 1000
|
|||
|
|
for contour in contours:
|
|||
|
|
area = cv2.contourArea(contour) # 计算轮廓包围的面积
|
|||
|
|
if min_area < area < max_area:
|
|||
|
|
# 绘制符合条件的轮廓
|
|||
|
|
# 颜色：绿色 (0, 255, 0)，线宽：2
|
|||
|
|
cv2.drawContours(output_image, [contour], -1, (0, 255, 0), 2)
|
|||
|
|
|
|||
|
|
# 形态学膨胀操作
|
|||
|
|
# 作用：扩大二值图像中的白色区域，连接邻近的断裂缺陷（如断开的划痕）
|
|||
|
|
# 结构元素：椭圆形（模拟圆形），大小为7x7
|
|||
|
|
# iterations=1：执行一次膨胀
|
|||
|
|
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
|
|||
|
|
dilated = cv2.dilate(thresholded, kernel, iterations=1)
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 骨架化处理（细化为单像素宽的中心线）
|
|||
|
|
# 作用：将膨胀后的缺陷区域“细线化”，便于分析划痕的路径和长度
|
|||
|
|
# 注意：OpenCV 无内置骨架化函数，这里使用经典的Zhang-Suen细化算法简化版
|
|||
|
|
def thinning(img):
|
|||
|
|
skel = np.zeros(img.shape, np.uint8) # 存储骨架结果
|
|||
|
|
size = np.size(img)
|
|||
|
|
element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3)) # 3x3十字结构元
|
|||
|
|
done = False
|
|||
|
|
|
|||
|
|
while not done:
|
|||
|
|
# 重复执行：腐蚀 → 膨胀 → 差分 → 累加到骨架
|
|||
|
|
eroded = cv2.erode(img, element) # 腐蚀：缩小区域
|
|||
|
|
temp = cv2.dilate(eroded, element) # 膨胀回来
|
|||
|
|
temp = cv2.subtract(img, temp) # 得到最外层轮廓（即“剥皮”一层）
|
|||
|
|
skel = cv2.bitwise_or(skel, temp) # 累加到骨架图像
|
|||
|
|
img = eroded.copy() # 更新图像为腐蚀后的结果
|
|||
|
|
|
|||
|
|
# 当图像完全变黑（无非零像素）时停止
|
|||
|
|
zeros = size - cv2.countNonZero(img)
|
|||
|
|
if zeros == size:
|
|||
|
|
done = True
|
|||
|
|
|
|||
|
|
return skel
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 执行骨架化
|
|||
|
|
skeleton = thinning(dilated)
|
|||
|
|
|
|||
|
|
# 显示所有中间结果和最终检测图
|
|||
|
|
# 作用：可视化每一步的处理效果，便于调试和分析
|
|||
|
|
cv2.imshow("Original Image", image) # 原始灰度图
|
|||
|
|
cv2.imshow("Thresholded Image", thresholded) # 自适应阈值分割结果
|
|||
|
|
cv2.imshow("Dilated Image", dilated) # 膨胀后结果
|
|||
|
|
cv2.imshow("Skeletonized Image", skeleton) # 骨架化结果（细线）
|
|||
|
|
cv2.imshow("Detected Regions", output_image) # 最终检测结果（绿色轮廓）
|
|||
|
|
|
|||
|
|
# 等待按键后关闭所有窗口
|
|||
|
|
cv2.waitKey(0)
|
|||
|
|
cv2.destroyAllWindows()
|