做网站需要掌握,梧州外贸网站推广设计,网站怎么做才会有收录,备案域名出售是否违法1.前言
最近做了一个基于opencv的斜光测距的小项目#xff0c;东西不多#xff0c;但是很有意思#xff0c;值得拿出来学一学。项目里面需要比较精确的定位功能#xff0c;将前人matlab代码移植到python上#xff0c;并且做了一些优化#xff0c;简化逻辑(毕竟我是专业的…1.前言
最近做了一个基于opencv的斜光测距的小项目东西不多但是很有意思值得拿出来学一学。项目里面需要比较精确的定位功能将前人matlab代码移植到python上并且做了一些优化简化逻辑(毕竟我是专业的程序员)也用了tkinter界面包装了一下最后通过pyinstaller打包成程序给同事使用。
2.原理 通过使用不同的亮点位置和对应的高度进行多元线性回归建模再对新的亮点位置进行高度预测。 如图分别是1414.51515.5对应的四张光点位置图。
3.获取亮点位置
def get_box(image):# 将图像转换为灰度图像gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 应用高斯模糊来减少噪声blurred cv2.GaussianBlur(gray, (5, 5), 0)max_val np.max(blurred)_, binary cv2.threshold(blurred, max_val/2, 255, cv2.THRESH_BINARY)# 形态学开运算去除噪声kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)# 找到轮廓contours, _ cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 如果找到轮廓计算质心if contours:largest_contour max(contours, keycv2.contourArea)M cv2.moments(largest_contour)if M[m00] ! 0:cx int(M[m10] / M[m00])cy int(M[m01] / M[m00])else:cx, cy 0, 0centroid (cx, cy)# 计算边界框x, y, w, h cv2.boundingRect(largest_contour)p10bbox (x-p, y-p, w2*p, h2*p)# 在图像上绘制质心和边界框output_image image.copy()cv2.circle(output_image, centroid, 5, (0, 255, 0), -1)x,y,w,hbboxcv2.rectangle(output_image, (x, y), (x w, y h), (0, 255, 0), 2)print(f亮点的中心位置: {centroid},亮点的边界框: {bbox})return centroid,bbox,output_imageelse:return None4.建模
不想再安装其它的python包了就基于numpy写的LineRegression。
class LinearRegression:def __init__(self):self.theta Nonedef fit(self, X, y):训练线性回归模型参数X自变量数据形状为 (m, n)其中 m 是样本数量n 是特征数量y因变量数据形状为 (m, 1)# 在 X 前面加一列1以便于计算截距项X_b np.c_[np.ones((X.shape[0], 1)), X]# 使用正规方程求解回归系数self.theta np.linalg.inv(X_b.T X_b) X_b.T ydef predict(self, X):对新样本进行预测参数X自变量数据形状为 (m, n)其中 m 是样本数量n 是特征数量返回值y_pred预测的因变量数据形状为 (m, 1)if self.theta is None:raise ValueError(模型未经过训练请先调用 fit 方法)# 在 X 前面加一列1以便于计算截距项X_b np.c_[np.ones((X.shape[0], 1)), X]# 使用训练得到的回归系数进行预测y_pred X_b self.thetareturn y_pred建模效果
5.全部代码
项目地址:https://gitee.com/zhang_jie_sc/auto-focus
import re
import cv2
import numpy as np
import osfrom matplotlib import pyplot as pltdef get_box(image):# 将图像转换为灰度图像gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 应用高斯模糊来减少噪声blurred cv2.GaussianBlur(gray, (5, 5), 0)max_val np.max(blurred)_, binary cv2.threshold(blurred, max_val/2, 255, cv2.THRESH_BINARY)# 形态学开运算去除噪声kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)# 找到轮廓contours, _ cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 如果找到轮廓计算质心if contours:largest_contour max(contours, keycv2.contourArea)M cv2.moments(largest_contour)if M[m00] ! 0:cx int(M[m10] / M[m00])cy int(M[m01] / M[m00])else:cx, cy 0, 0centroid (cx, cy)# 计算边界框x, y, w, h cv2.boundingRect(largest_contour)p10bbox (x-p, y-p, w2*p, h2*p)# 在图像上绘制质心和边界框output_image image.copy()cv2.circle(output_image, centroid, 5, (0, 255, 0), -1)x,y,w,hbboxcv2.rectangle(output_image, (x, y), (x w, y h), (0, 255, 0), 2)print(f亮点的中心位置: {centroid},亮点的边界框: {bbox})return centroid,bbox,output_imageelse:return Nonedef get_files(dir):img_path_list [f for f in os.listdir(dir) iff.startswith(Point) and f.endswith(.jpg)] # 获取该文件夹中所有jpg格式的图像val_list[]for p in img_path_list:# 使用正则表达式匹配_后.前的0或0.5match re.search(r_(\d(\.\d)?)\., p)if match:valmatch.group(1)val_list.append(float(val))else:raise ValueError({0}文件名错误,无法提取位置i学那些.format(p))return img_path_list,val_listdef merge_intersecting_boxes(boxes):merged_boxes []# 计算包含所有框的大框x_min min(box[0] for box in boxes)y_min min(box[1] for box in boxes)x_max max(box[0] box[2] for box in boxes)y_max max(box[1] box[3] for box in boxes)big_box (x_min, y_min, x_max - x_min, y_max - y_min)# 返回大框和空的合并框列表return big_box, merged_boxesdef r2_score(y_true,y_pred):# 计算相关系数corr np.corrcoef(y_true, y_pred)[0, 1]# 计算 R 方值r2 corr ** 2return r2def plot_image_and_r2_zzz(image, x, y,r2,theta):# 将 BGR 格式转换为 RGB 格式image cv2.cvtColor(image.copy(), cv2.COLOR_BGR2RGB)# 创建一个图形和两个子图fig, (ax1, ax2) plt.subplots(1, 2, figsize(10, 5), gridspec_kw{top: 0.85})# 设置窗口标题方式二fig.canvas.manager.window.title(建模结果)# 在第一个子图中显示图片ax1.imshow(image)ax1.axis(off)ax1.set_title(Box)# 在第二个子图中显示拟合直线ax2.plot(x, y, o, labelData)ax2.plot(x, x, labelFitted Line)# 将每个数字转换为字符串保留五位小数theta_str (k1{:.4f}, k2{:.4f}, b{:.4f}).format(*theta)ax2.set_title(Fitted Line (theta{}, r2{:.5f}).format(theta_str,r2))# 添加轴标签ax2.set_xlabel(y_true)ax2.set_ylabel(y_pred)ax2.legend()# 显示图形plt.tight_layout()plt.show()class LinearRegression:def __init__(self):self.theta Nonedef fit(self, X, y):训练线性回归模型参数X自变量数据形状为 (m, n)其中 m 是样本数量n 是特征数量y因变量数据形状为 (m, 1)# 在 X 前面加一列1以便于计算截距项X_b np.c_[np.ones((X.shape[0], 1)), X]# 使用正规方程求解回归系数self.theta np.linalg.inv(X_b.T X_b) X_b.T ydef predict(self, X):对新样本进行预测参数X自变量数据形状为 (m, n)其中 m 是样本数量n 是特征数量返回值y_pred预测的因变量数据形状为 (m, 1)if self.theta is None:raise ValueError(模型未经过训练请先调用 fit 方法)# 在 X 前面加一列1以便于计算截距项X_b np.c_[np.ones((X.shape[0], 1)), X]# 使用训练得到的回归系数进行预测y_pred X_b self.thetareturn y_predif __name____main__:file_dir./20240531_113524img_path_list, locs get_files(file_dir)coors []boxs []for i, image_name in enumerate(img_path_list): # 逐一读取图像item cv2.imread(os.path.join(file_dir, image_name))cneter, box, _ get_box(item)coors.append(list(cneter))boxs.append(box)merge_box, _ merge_intersecting_boxes(boxs)# 使用线性回归拟合数据matx np.array(coors)arr_x matx[:, 0]reg LinearRegression()reg.fit(matx, locs)y_true np.array(locs)y_pred reg.predict(matx)r2 r2_score(y_true, y_pred)# 输出 R^2 值draw_img cv2.imread(os.path.join(file_dir, img_path_list[0]), cv2.IMREAD_COLOR)x, y, w, h merge_boxcv2.rectangle(draw_img, (x, y), (x w, y h), (0, 255, 0), 2)plot_image_and_r2_zzz(draw_img, y_true, y_pred, r2, reg.theta)
