bushu

guanghuaban/FFT.py

@@ -0,0 +1,76 @@
+import matplotlib
+matplotlib.use('Agg')  # 使用非 GUI 后端
+
+import cv2
+import numpy as np
+import matplotlib.pyplot as plt
+
+def analyze_surface_roughness(image_path):
+    # 读取图像
+    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
+    if img is None:
+        raise FileNotFoundError(f"无法加载图像: {image_path}")
+
+    # 预处理
+    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
+    img = clahe.apply(img)
+    img = cv2.medianBlur(img, 5)
+
+    # FFT
+    f = np.fft.fft2(img)
+    fshift = np.fft.fftshift(f)
+    magnitude_spectrum = 20 * np.log(np.abs(fshift) + 1e-9)
+
+    # 动态低频区域
+    rows, cols = img.shape
+    crow, ccol = rows // 2, cols // 2
+    radius = min(rows, cols) // 20
+    mask = np.ones((rows, cols), np.uint8)
+    cv2.circle(mask, (ccol, crow), radius, 0, thickness=-1)
+
+    # 计算能量占比
+    total_energy = np.sum(magnitude_spectrum)
+    high_freq_energy = np.sum(magnitude_spectrum * mask)
+    ratio = high_freq_energy / total_energy
+
+    # 可视化并保存
+    plt.figure(figsize=(12, 6))
+
+    plt.subplot(1, 3, 1)
+    plt.imshow(img, cmap='gray')
+    plt.title('预处理后图像')
+    plt.axis('off')
+
+    plt.subplot(1, 3, 2)
+    plt.imshow(magnitude_spectrum, cmap='gray')
+    plt.title('频谱图（中心为低频）')
+    plt.axis('off')
+
+    overlay = magnitude_spectrum.copy()
+    if len(overlay.shape) == 2:
+        overlay = np.stack([overlay]*3, axis=-1)
+    cv2.circle(overlay, (ccol, crow), radius, (1, 0, 0), 2)
+    plt.subplot(1, 3, 3)
+    plt.imshow(overlay)
+    plt.title(f'低频区域（红圈内）\n高频能量占比: {ratio:.3f}')
+    plt.axis('off')
+
+    plt.tight_layout()
+    plt.savefig("fft_analysis_result.png", dpi=150, bbox_inches='tight')
+    plt.close()  # 释放内存
+
+    # 输出结果
+    print(f"✅ 图像尺寸: {cols}x{rows}")
+    print(f"📊 高频能量占比: {ratio:.3f}")
+    if ratio < 0.8:
+        print("🟢 评价: 表面较光滑")
+    elif ratio < 0.95:
+        print("🟡 评价: 表面中等粗糙")
+    else:
+        print("🔴 评价: 表面非常粗糙")
+
+    return ratio
+
+# 运行
+if __name__ == "__main__":
+    analyze_surface_roughness("1.jpg")

guanghuaban/GLCM.py

@@ -0,0 +1,56 @@
+from skimage import feature
+import cv2
+import numpy as np
+import os
+
+# 图像路径
+img_path = "2.jpg"
+
+# ✅ 1. 检查文件是否存在
+if not os.path.exists(img_path):
+    raise FileNotFoundError(f"图像文件不存在，请检查路径: {img_path}")
+
+# ✅ 2. 以灰度模式读取图像
+img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
+if img is None:
+    raise ValueError(f"无法读取图像，可能是文件损坏或格式问题: {img_path}")
+
+print(f"✅ 图像加载成功，原始尺寸: {img.shape}")
+
+'''
+height, width = img.shape
+start_row = height // 3 * 2  # 从 2/3 处开始，到底部
+bottom_region = img[start_row:, :]  # 所有列，只取底部 1/3 行
+
+print(f"✅ 裁剪出底部 1/3 区域，尺寸: {bottom_region.shape}")
+'''
+# ✅ 3. 提取最下方三分之一的区域
+
+bottom_region = img
+# ✅ 4. 计算 GLCM（建议降低 levels 或使用压缩）
+# 注意：levels=256 对计算资源要求高，可考虑先归一化到 32 或 64 灰度级
+# 这里我们先保持 256，若报内存错误可改用降级方法
+
+glcm = feature.graycomatrix(
+    bottom_region,
+    distances=[1],
+    angles=[0, np.pi/4, np.pi/2, 3*np.pi/4],  # 多方向
+    levels=256,
+    symmetric=True,
+    normed=True
+)
+
+# ✅ 5. 提取平均纹理特征（在所有方向上取均值）
+properties = ['contrast', 'dissimilarity', 'homogeneity', 'energy', 'correlation']
+features = {}
+for prop in properties:
+    values = feature.graycoprops(glcm, prop)[0]
+    features[prop] = np.mean(values)  # 对多个角度取平均
+
+# ✅ 6. 输出结果
+print("\n📊 图像底部 1/3 区域的纹理特征:")
+print(f"Contrast:     {features['contrast']:.3f}")       # 越大越粗糙230
+print(f"Dissimilarity: {features['dissimilarity']:.3f}") # 越大差异越大7.265
+print(f"Homogeneity:   {features['homogeneity']:.3f}")   # 越小越不均匀（粗糙）0.291
+print(f"Energy:        {features['energy']:.3f}")        # 越小越复杂（纹理丰富）0.033
+print(f"Correlation:   {features['correlation']:.3f}")   # 灰度线性相关性0.941

guanghuaban/LBP.py

@@ -0,0 +1,17 @@
+from skimage import feature
+import matplotlib.pyplot as plt
+import cv2
+import numpy as np
+# 读取图像
+img = cv2.imread("2.jpg", cv2.IMREAD_GRAYSCALE)
+# 计算 LBP 图像
+radius = 3
+n_points = 8 * radius
+lbp = feature.local_binary_pattern(img, n_points, radius, method='uniform')
+
+# 统计 LBP 直方图
+hist, _ = np.histogram(lbp, bins=256, range=(0, 256))
+
+# 直方图熵（越高表示纹理越复杂）
+entropy = -np.sum(hist * np.log(hist + 1e-9))
+print(f"LBP Entropy: {entropy:.3f}")

guanghuaban/T.py

@@ -0,0 +1,101 @@
+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()

guanghuaban/guanghua.py

@@ -0,0 +1,28 @@
+import cv2
+import numpy as np
+
+# 加载图像
+img = cv2.imread('1.jpg', cv2.IMREAD_GRAYSCALE)
+'''
+height, width = img.shape
+start_row = height // 7 * 4  # 从 2/3 处开始，到底部
+img = img[start_row:, :]  # 所有列，只取底部 1/3 行
+
+print(f"✅ 裁剪出底部 1/3 区域，尺寸: {img.shape}")
+
+'''
+# ✅ 3. 提取最下方三分之一的区域
+
+
+# 高斯模糊去除噪声
+blurred = cv2.GaussianBlur(img, (5, 5), 0)
+
+# 边缘检测
+edges = cv2.Canny(blurred, 50, 150)
+
+# 显示结果
+cv2.imshow("Edges", edges)
+cv2.waitKey(0)
+cv2.destroyAllWindows()
+
+# 接下来可以根据需要进一步处理边缘信息，比如计算裂缝长度、宽度等参数。