題目描述
利用opencv或其他工具編寫程序?qū)崿F(xiàn)缺陷檢測(cè)。
實(shí)現(xiàn)過(guò)程
# -*- coding: utf-8 -*-
'''
作者 : 丁毅
開(kāi)發(fā)時(shí)間 : 2021/4/21 15:30
'''
import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont
import matplotlib.pyplot as plt
#用于給圖片添加中文字符的函數(shù)
def cv2ImgAddText(img, text, left, top, textColor=(0, 255, 0), textSize=20):
# 判斷是否OpenCV圖片類型
if (isinstance(img, np.ndarray)):
img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
# 創(chuàng)建一個(gè)可以在給定圖像上繪圖的對(duì)象
draw = ImageDraw.Draw(img)
# 字體的格式
fontStyle=ImageFont.truetype("font/simsun.ttc",textSize, encoding="utf-8")
# 繪制文本
draw.text((left, top), text, textColor, font=fontStyle)
# 轉(zhuǎn)換回OpenCV格式
return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)
# plt繪圖顯示中文
plt.rcParams['font.family'] = 'SimHei'
img0 = cv2.imread(r"C:\Users\pc\Desktop\0.bmp")
cv2.imshow('img', img0)
# 彩色圖轉(zhuǎn)灰度圖
img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY)
# 缺陷檢測(cè)
for i in range(1, 6):
defect_img0 = cv2.imread(r"C:\Users\pc\Desktop\%d.bmp"%i)
# 獲取灰度圖像
defect_img1 = cv2.cvtColor(defect_img0, cv2.COLOR_BGR2GRAY)
# 獲取原圖像的灰度直方圖
hist0 = cv2.calcHist([img1], [0], None, [256], [0.0, 255.0])
# 獲取待檢測(cè)圖像的灰度直方圖
hist1 = cv2.calcHist([defect_img1], [0], None, [256], [0.0, 255.0])
# 為圖像添加標(biāo)題
plt.title("原圖與待檢測(cè)img%d對(duì)比"%i)
# 添加圖例
plt.plot(hist0, label='原圖')
plt.plot(hist1, label='待檢測(cè)img%d'%i)
# 相似度比較
rst = cv2.compareHist(hist0, hist1, method=cv2.HISTCMP_CORREL)
# res >= 0.95即認(rèn)為合格
cv2.imshow(str(i) + ".img", cv2ImgAddText(defect_img0, "合格" if rst >= 0.95 else "不合格", 20, 20, (255, 0, 0), 25))
# 設(shè)置x軸的數(shù)值范圍
plt.xlim([0, 256])
plt.legend(loc='upper left')
plt.show()
cv2.waitKey(0)
運(yùn)行結(jié)果
問(wèn)題及解決方法
1.獲取原圖的直方圖
參考鏈接
方式：
cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]])
images：輸入的圖像channels：選擇圖像的通道mask：是一個(gè)大小和image一樣的np數(shù)組，其中把需要處理的部分指定為1，不需要處理的部分指定為0，一般設(shè)置為None，表示處理整幅圖像。histSize：使用多少個(gè)bin(柱子)，一般為256ranges：像素值的范圍，一般為[0,255]表示0~255
該函數(shù)結(jié)果返回一個(gè)二維數(shù)組，該數(shù)組反應(yīng)畫面中亮度的分布和比例。
2.比較兩個(gè)直方圖的相似度
參考鏈接
方式：
cv2.compareHist(H1, H2, method)
H1：第一個(gè)直方圖數(shù)組H2：第二個(gè)直方圖數(shù)組（與第一個(gè)緯度相同）method：所使用的方式
該函數(shù)返回一個(gè)[0,1]的相似度值，值越接近一就表名相似度越高。
3.相似度參數(shù)微調(diào)
由于compareHist函數(shù)返回一個(gè)[0,1]的值，需要自己調(diào)整一個(gè)閾值來(lái)選取哪些合格，經(jīng)過(guò)調(diào)整后，發(fā)現(xiàn)閾值取[0.90, 0.95]能夠正確選取與實(shí)驗(yàn)的結(jié)果，代碼中取的是0.95，即待檢測(cè)圖與原圖之間的相似度如果小于0.95則不合格。
4.通過(guò)plot顯示原圖與待檢測(cè)圖的關(guān)系折線
參考鏈接
通過(guò)calcHist函數(shù)返回的hist數(shù)組值，運(yùn)用matplotlib繪制原圖和待檢測(cè)圖之間的關(guān)系折線圖。對(duì)比兩個(gè)曲線的差異。
到此這篇關(guān)于Python opencv缺陷檢測(cè)的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)opencv缺陷檢測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python opencv實(shí)現(xiàn)圖片缺陷檢測(cè)（講解直方圖以及相關(guān)系數(shù)對(duì)比法）
- Python-OpenCV實(shí)現(xiàn)圖像缺陷檢測(cè)的實(shí)例
