引言

在这篇博客中，我们将探讨如何使用计算机视觉技术自动检测图像中曲别针的数量。
如图：

[1]使用灰度转换

由于彩色信息对于曲别针计数并不重要，我们将图像转换为灰度图，这样可以减少处理数据的复杂度，加速后续的图像处理步骤。

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

[2]二值化处理

通过应用二值化处理，我们将灰度图转换为黑白图像。在这个步骤中，图像中的所有像素点要么是黑色，要么是白色，这简化了轮廓的检测。

_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

• 二值化后的图片：
  

[3]轮廓检测

使用OpenCV的findContours函数，我们从二值图像中提取轮廓。这些轮廓代表潜在的曲别针。

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 遍历轮廓并计算面积
for contour in contours:
    cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)

但是这边我们可以看到很多不必要的内容都被放进来了，所以我们接着进行进一步操作。

[4]面积过滤和计数

为了区分真正的曲别针和其他噪声，我们计算每个轮廓的面积，并只统计那些面积超过预设阈值的轮廓。这一步骤帮助我们准确地识别和计数曲别针。

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("Binary", binary)

# 初始化计数器
large_contour_count = 0
min_area = 10000  # 设置面积阈值，根据实际情况调整

# 遍历轮廓并计算面积
for contour in contours:
    area = cv2.contourArea(contour)
    if area > min_area:
        large_contour_count += 1
        cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)  # 绘制满足条件的轮廓

• 效果：
  
  可以看出确实正确的识别出曲别针的数量
  

完整代码

import cv2

# 加载图像
image = cv2.imread('./images/nums.jpg')
cv2.imshow("Original", image)

# 转换为灰度图
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用二值化阈值
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
cv2.imshow("Binary", binary)

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("Binary", binary)

# 初始化计数器
large_contour_count = 0
min_area = 10000  # 设置面积阈值，根据实际情况调整

# 遍历轮廓并计算面积
for contour in contours:
    area = cv2.contourArea(contour)
    if area > min_area:
        large_contour_count += 1
        cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)  # 绘制满足条件的轮廓

# 显示图像
cv2.imshow('Contoured Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# 输出符合条件的曲别针数量
print(f"曲别针数量为: {large_contour_count}")