本篇博客接着讲解机器视觉的有关技术和知识。包括宽度测量，缺陷检测，医学处理。python

一：宽度测量

在传统的自动化生产中，对于尺寸的测量，典型的方法就是千分尺、游标卡尺、塞尺等。而这些测量手段测量精度低、速度慢，没法知足大规模的自动化生产需求。基于机器视觉的尺寸测量属于非接触式的测量，具备检测精度高、速度快、成本低、安装简便等优势。能够检测零件的各类尺寸，如长度、圆、角度、线弧等测量。

利用python+opencv方法能够进行宽度的测量。步骤是先选取出一个矩形，而后进行阈值分割，再进行反色，边缘提取以后进行点的选择，输出坐标作出两条线段，根据线段进行矩形绘制，这样以后就能够计算两条直线之间的距离，也就是咱们须要求得的宽度。

OpenCV是一个c++库，用于实时处理计算机视觉方面的问题，涵盖了不少计算机视觉领域的模块。配合python调用c++库，能够很方便地进行宽度测量，实现要求。

步骤以下：

c++

1.导入须要的库

import cv2

import cv2 as cv

import numpy as np

import imutils

2.读取原图像查看

img = cv2.imread("1.jpg")

3.截取部分图像

手动地进行选取咱们感兴趣的部分，而后截取出来。算法

img = imutils.resize(img, width=500)

roi = cv2.selectROI(windowName="image1", img=img, showCrosshair=True, fromCenter=False)

x, y, w, h = roi

cv2.rectangle(img=img, pt1=(x, y), pt2=(x + w, y + h), color=(0, 0, 255), thickness=2)

s = img[y:y+h,x:x+w]

4.反色

截取后会出现空白区域不少黑色的状况，须要进行反色，用到的方法是255去除值。ssh

# 反色

def colorReverse(src):

height, width, channels = src.shape

for row in range(height):

for list in range(width):

for c in range(channels):

pv = src[row, list, c]

src[row, list, c] = 255 - pv

return src

src = colorReverse(s)

5.边缘检测去噪

x = cv2.Sobel(src,cv2.CV_16S,1,0)

y = cv2.Sobel(src,cv2.CV_16S,0,1)

absX = cv2.convertScaleAbs(x) # 转回uint8

absY = cv2.convertScaleAbs(y)

dst = cv2.addWeighted(absX,0.5,absY,0.5,0)

result = colorReverse(dst)

6.输出鼠标选择点的坐标

以后进行的操做是利用鼠标选择点，并显示坐标，能够判断时候用鼠标进行点击操做，若是是的话，就能够输出点的坐标在输出框或者图片上标记，把点击函数做为参数，就能够在不点击退出键的时候进行循环递归操做，知道最直到得到想要点的坐标。函数

# 输出鼠标选择点的坐标

# setMouseCallback使用的回调函数，这个回调函数在捕获到鼠标左键点击事件时，就在图片上点击处绘制一个实心的圆、并显示出坐标。

def on_EVENT_LBUTTONDOWN(event, x, y, flags, param):

if event == cv2.EVENT_LBUTTONDOWN:

xy = "%d,%d" % (x, y)

print (xy)

cv2.circle(result, (x, y), 1, (255, 0, 0), thickness = -1)

cv2.putText(result, xy, (x, y), cv2.FONT_HERSHEY_PLAIN,

1.0, (0,0,0), thickness = 1)

cv2.imshow("image2", result)

cv2.namedWindow("image2")

cv2.setMouseCallback("image2", on_EVENT_LBUTTONDOWN)

cv2.imshow("image2", result)

7.绘制线段用输出提示

接下来就能够根据选择的四个点进行链接输出线段，用get_len()方法能够获得两条线之间的距离。学习

# 绘制线段

s = cv2.line(result,(3, 30), (120, 30), (0, 255, 0), 2)

d = cv2.line(result,(3, 110), (118, 110), (0,255, 0), 2)

lens = s.get_len() - d.get_len()

# 输出图形

text = "宽为：{0}".format(lens)

cv.putText(result, text, (20, 20), cv.FONT_HERSHEY_COMPLEX, 2.0, (0, 255, 0), 1)

二：缺陷检测

缺陷检测一般是指对物品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。

人工检测是产品表面缺陷的传统检测方法，该方法抽检率低、准确性不高、实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大，而基于机器视觉的检测方法能够很大程度上克服上述弊端。

缺陷检测被普遍使用于布匹瑕疵检测、工件表面质量检测、航空航天领域等。传统的算法对规则缺陷以及场景比较简单的场合，可以很好工做，可是对特征不明显的、形状多样、场景比较混乱的场合，则再也不适用。近年来，基于深度学习的识别算法愈来愈成熟，许多公司开始尝试把深度学习算法应用到工业场合中。

视觉表面缺陷检测系统基本组成主要包括图像获取模块、图像处理模块、图像分析模块、数据管理及人机接口模块。

这里是用python+opencv进行津彩啤酒的图片缺陷检测，将0.bmp图片进行样本，和其余图片进行对比，检测是否合格。经过对比原图和要比较的图像的24位灰度图像进行检测。

步骤以下：

字体

1.导入须要的库

import cv2

import cv2 as cv

import numpy as np

from PIL import Image, ImageDraw, ImageFont

2.比较

读入咱们0.bmp图像做为比较因子，设置为rgbimage_std变量ui

rgbimage_std = cv.imread("0.bmp")

3.转换

将24位rgbimage_std彩色图像转换为8位rgb2grayimage_std灰度图像spa

rgb2grayimage_std = cv2.cvtColor(rgbimage_std, cv2.COLOR_RGB2GRAY)

4.循环

缺陷检测算法循环六次。3d

imagename = str(i) + '.bmp'

rgbimage_defect = cv.imread(imagename)

# 将每次imagename对应图像在图像窗口显示出来

# cv.imshow(imagename, rgbimage_defect)

# 将24位rgbimage_defect彩色图像转换8位rgb2grayimage_defect灰度图

gray = np.array(rgbimage_defect)

gray = gray[:,:,0]

rgb2grayimage_defect = np.array([gray,gray,gray])

rgb2grayimage_defect = np.transpose(rgb2grayimage_defect,(1,2,0))

name = str(i) + '_rgb2grayimage_defect.bmp'

# cv.imshow(name, rgb2grayimage_defect)

# 缺陷比较

# 直方图计算的函数，反应灰度值的分布状况

be_compare_image = cv2.calcHist([rgb2grayimage_std], [0], None, [256], [0.0,255.0])

compare_image = cv2.calcHist([rgb2grayimage_defect], [0], None, [256], [0.0,255.0])

#相关性计算，采用相关系数的方式

# result = cv2.compareHist(be_compare_image,compare_image,method=cv2.HISTCMP_CORREL)

result = sum(be_compare_image - compare_image)[0]

# 打开PIL建立的图像

ss = Image.open(str(i) + ".bmp")

# 建立一个操做对象

draw = ImageDraw.Draw(ss)

# 字体对象为simsun，字大小为50号

fnt = ImageFont.truetype(r'C:\Windows\Fonts\simsun.ttc', 50)

# 若是图片对比原图类似度小于7，则合格；不然不合格。

if result < 7:

draw.text((5, 10), u'合格', fill='red', font=fnt)

th_str = str(i) + '.bmp'

draw.text((5, 350), th_str, fill='red', font=fnt)

else:

draw.text((5, 10), u'不合格', fill='red', font=fnt)

th_str = str(i) + '.bmp'

draw.text((5, 350), th_str, fill='red', font=fnt)

ss.show("result" +str(i) + ".png")

5.结束代码

cv.waitKey(0)

三：医学检测

医学信息处理，即对医学信息的处理，医学信息处理过程当中借助计算机技术，具备很是高的应用价值，在提升信息处理准确度的同时，也极大地加强了信息处理的效率，为广大患者与患者家眷创造更为人性化的就医环境。

利用计算机的先进技术能够对医学图像进行处理，而后更加方便地获得图片上蕴含的信息，从而进行正快速地获得咱们想要获得的信息。

这里是用python+opencv进行医学图像识别，借助计算机技术帮助医生对医学图像进行有效地分析。

步骤以下：

1.导入库

from skimage import data,color,morphology

import cv2 as cv

import cv2

2.读入灰度图

img1 = cv.imread('vas0.bmp',0)

3.反色

img3 = img2.copy()

cv2.threshold(img2,80,255,0,img2)

for i in range(0,img2.shape[0]):

for j in range(0,img2.shape[1]):

img3[i,j] = 255-img2[i,j]

或者以下代码：

# 对img2图像图像进行反色，获得img3图像

def access_pixels(image):

height, width, channels = image.shape

for row in range(height):

for list in range(width):

for c in range(channels):

pv = image[row, list, c]

image[row, list, c] = 255 - pv

return image

img3 = access_pixels(img2)

4.扩展

img4 = cv2.copyMakeBorder(img3,50,50,50,50,cv2.BORDER_REFLECT)

5.去噪

去除噪声位置地小面积区域，能够有两种方式，一种是选择知足面积150-10000的img4图像输出,去除噪声位置元素，另外一种是使用Skimage中的形态学处理来进行孤立小区域的去除。

img5 = morphology.remove_small_holes(img4, 100)

或者以下代码：

contours,hierarchy = cv2.findContours(img4, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

#消除小面积

for i in range(len(contours)):

area = cv2.contourArea(contours[i])

if area < 150:

cv2.drawContours(img4,[contours[i]],0,0,-1)

img5 = img4

6.面积滤波

用连通区域的面积除以连通区域包络盒的面积，仅保留当这个比值小于用户所给的div的值时的连通区域。

img5=img5.copy()

contours1,hierarchy = cv2.findContours(img5, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

for j in range(len(contours1)):

area1 = cv2.contourArea(contours1[j])

print(area1)

if area1 ==157.0:

cv2.drawContours(img5,[contours1[j]],0,0,-1)

elif area1==261.5:

cv2.drawContours(img5,[contours1[j]],0,0,-1)

elif area1==568.0:

cv2.drawContours(img5,[contours1[j]],0,0,-1)

7.细化函数

输入须要细化的图片(通过二值化处理的图片)和映射矩阵array，并提取骨架。

def Thin(image, array):

h, w = image.shape

iThin = image

for i in range(h):

for j in range(w):

if image[i, j] == 0:

a = [1] * 9

for k in range(3):

for l in range(3):

# 若是3*3矩阵的点不在边界且这些值为零，也就是黑色的点

if -1 < (i - 1 + k) < h and -1 < (j - 1 + l) < w and iThin[i - 1 + k, j - 1 + l] == 0:

a[k * 3 + l] = 0

sum = a[0] * 1 + a[1] * 2 + a[2] * 4 + a[3] * 8 + a[5] * 16 + a[6] * 32 + a[7] * 64 + a[8] * 128

iThin[i, j] = array[sum] * 255

return iThin

# 映射表

array = [0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\

1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,\

0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\

1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,\

1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\

0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\

1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 1,\

0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\

0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\

1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1,\

0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 1, 1, 0, 1,\

1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,\

1, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,\

1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0,\

1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0,\

1, 1, 0, 0, 1, 1, 1, 0, 1, 1, 0, 0, 1, 0, 0, 0]

src = cv2.imread(r'img5.png', 0)

Gauss_img = cv2.GaussianBlur(src, (3,3), 0)

# 自适应二值化函数，须要修改的是55那个位置的数字，越小越精细，细节越好，噪点更多，最大不超过图片大小

adap_binary = cv2.adaptiveThreshold(Gauss_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,3,2)

img6 = Thin(adap_binary, array)

8.边缘检测

img7 = cv2.Canny(img6,80,255)

9.图片反色

img8 = img7.copy()

cv2.threshold(img7,80,255,0,img7)

for i in range(0,img7.shape[0]):

for j in range(0,img7.shape[1]):

img8[i,j] = 255-img7[i,j]

10.结束函数

cv.waitKey(0)