计算叶片面积的图像处理方法

计算叶片面积，源文件如图：

首先读取图片并完成下采样，缩小图片面积，便于处理：

import cv2 img0=cv2.imread(r'picturefilelvmiao.jpg',flags=1) img0=cv2.pyrDown(img0) img0=cv2.pyrDown(img0) img0=img0[70:,70:,0]#获取B通道图片，B通道更能区别叶片色彩；且将不必要部分截除，便于处理。 cv2.imshow("imagin0",img0) cv2.waitKey() cv2.destroyWindow("imagin0") 123456789

结果如下：

为便于得到叶片和钱币各自像素，采用聚类方式，将图片像素点聚为2类，分为背景与前景。聚类算法采用K-means聚类方法，仅采用像素距离作为聚类特征会产生较大误差，因此，可以采用像素实际位置（横纵坐标）和像素点灰度作为聚类特征依据。得到各像素点特征参数程序：

import numpy as np r,c=img0.shape#灰度图的大小 row=np.zeros((c,r),dtype=np.uint8)#各像素点的行 col=np.zeros((c,r),dtype=np.uint8)#各像素点的列 for i in range(r): row[i,:]=i for i in range(c): col[:,i]=i feature=[] for i in range(r): for j in range(c): feature.append([row[i,j],col[i,j],img0[i,j]]) feature=np.array(feature)#各像素点的特征，包括行数、列数以及像素距离 1234567891011121314

然后对所有像素特征进行聚类，并将背景类用黑色点表示，前景类用白色点表示，具体程序为：

from sklearn.cluster import KMeans label=KMeans(2).fit_predict(feature)#2聚类 bool1=label==0#第一类 bool2=label==1#第二类 img1=img0.copy() img1=img1.ravel() img1[bool1]=0#背景像素 img1[bool2]=255 #前景像素 img1=img1.reshape(r,c)#上色后的图片 cv2.imshow("imagin1",img1) cv2.waitKey() cv2.destroyWindow("imagin1") 12345678910111213

上面程序运行结果为：

我们可以看到聚类结果并不完美，为消除噪声点，选择对背景噪声先腐蚀掉，对前景噪声进行膨胀，为避免对其他地方的影响，可以先使用闭运算去除前景噪声，使用开运算去除背景噪声。具体程序如下：

img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5) img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8) cv2.imshow("imagin2",img2) cv2.waitKey() cv2.destroyWindow("imagin2") 12345

运行结果为：

我们可以看到，去噪结果良好，接下来我们将提取钱币与叶片轮廓信息：

contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)#提取轮廓 img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,1,(255))#将叶片轮廓画出 cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3") 123456

画出叶片轮廓如图：

从形态学处理结果我们可以知道，叶片轮廓较为完整，但是钱币轮廓并不完整，其像素信息不能构成完整的圆形，为补全钱币，对其做最小外切圆，将叶片和钱币轮廓画出做对比：

(x,y),radius=cv2.minEnclosingCircle(contours[0]) center=(int(x),int(y)) radius=int(radius) cv2.circle(img3,center,radius,(255)) cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3") 1234567

处理结果为：

上图可知钱币缺失部分补充完整，下面即对叶片和钱币做填充，计算其像素面积即可：

def calculateNumber(A,b): num=0 for i in range(len(A)): for j in range(len(A[0])): if A[i][j]==b: num+=1 return num cv2.drawContours(img3,contours,0,(255),thickness=-1) s0=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,2,(255),thickness=-1) 1234567891011121314

画出钱币的填充图，并计算其像素面积为s0,结果图：

下面计算叶片像素面积：

img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,2,(255),thickness=-1) s1=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() 12345

叶片像素面积为s1，填充结果如图：

最后根据网络查询到5角硬币为300平方毫米，可以计算出叶片像素面积：

s=s1*300/s0 print(s0,s1,s) 12

结果为：

如此可计算叶片面积为2807.48平方毫米。完成程序如下：

''' Created on 2019年10月4日 @author: 紫 薇星君 ''' import cv2 import numpy as np from sklearn.cluster import KMeans def calculateNumber(A,b): num=0 for i in range(len(A)): for j in range(len(A[0])): if A[i][j]==b: num+=1 return num img0=cv2.imread(r'picturefilelvmiao.jpg',flags=1) img0=cv2.pyrDown(img0) img0=cv2.pyrDown(img0) img0=img0[70:,70:,0] cv2.imshow("imagin0",img0) cv2.waitKey() cv2.destroyWindow("imagin0") r,c=img0.shape row=np.zeros((c,r),dtype=np.uint8) col=np.zeros((c,r),dtype=np.uint8) for i in range(r): row[i,:]=i for i in range(c): col[:,i]=i feature=[] for i in range(r): for j in range(c): feature.append([row[i,j],col[i,j],img0[i,j]]) feature=np.array(feature) label=KMeans(2).fit_predict(feature) bool1=label==0 bool2=label==1 img1=img0.copy() img1=img1.ravel() img1[bool1]=0 img1[bool2]=255 img1=img1.reshape(r,c) cv2.imshow("imagin1",img1) cv2.waitKey() cv2.destroyWindow("imagin1") k=np.array([[1,1],[1,1]]) img2=cv2.morphologyEx(img1,cv2.MORPH_CLOSE,k,iterations=5) img2=cv2.morphologyEx(img2,cv2.MORPH_OPEN,k,iterations=8) cv2.imshow("imagin2",img2) cv2.waitKey() cv2.destroyWindow("imagin2") contours,hierarchy=cv2.findContours(img2,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE) img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,1,(255)) cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3") (x,y),radius=cv2.minEnclosingCircle(contours[0]) center=(int(x),int(y)) radius=int(radius) cv2.circle(img3,center,radius,(255)) cv2.imshow("imagin3",img3) cv2.waitKey() cv2.destroyWindow("imagin3") contours,hierarchy=cv2.findContours(img3,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE) img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,0,(255),thickness=-1) s0=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() img3=np.zeros((c,r),dtype=np.uint8) cv2.drawContours(img3,contours,2,(255),thickness=-1) s1=calculateNumber(img3,255) cv2.imshow("imagin3",img3) cv2.waitKey() s=s1*300/s0 print(s0,s1,s)

相关知识

基于叶片病斑面积的病虫害监测方法与流程
叶片图像分析仪推动植物健康监测新纪元
一种矾花图像处理方法、系统、电子设备及介质与流程
彩色图像的计算全息再现及噪声分析
图像处理
温室植物病害的图像处理及特征值提取方法的研究(一)——基于图像预处理的特征值提取方法的研究
使用图像处理技术和卷积神经网络（CNN）的作物病害检测
基于光谱图像的森林病虫害自动检测方法
用于自动叶片病虫害识别的图像处理技术的最新进展–综述,Information Processing in Agriculture
叶面积测量仪|叶片图像分析仪评估植物生长状态

网址: 计算叶片面积的图像处理方法 https://www.huajiangbk.com/newsview1345836.html