OpenCv_ 分水岭分割粘连物体并计数

z13228604287

  

窗口程序集名	保 留	保 留	备 注
程序集1

子程序名	返回值类型	公开	备 注
_启动子程序	整数型		本子程序在程序启动后最先执行

变量名	类 型	静态	数组	备 注
输入	多维矩阵类
均值偏移	多维矩阵类
二值化	多维矩阵类
距离	多维矩阵类
标记	多维矩阵类
前景	多维矩阵类
未知	多维矩阵类
核心	多维矩阵类
未知_32s	多维矩阵类
标记8U	多维矩阵类
标记_8us	多维矩阵类
标记_8u	多维矩阵类
最小_值	双精度小数型
最大_值	双精度小数型
i	整数型
temp	多维矩阵类
轮廓	多维数组点2i类
颜色	标量类
矩	矩类
矩点	点2f类

输入 ＝ 视觉_图像解码 ( #图片1, 1)  ' //读入图像
视觉_均值偏移筛选 (输入, 均值偏移, 21, 51, 1, )  ' // 均值漂移分割(滤波)
视觉_显示图像 (“均值偏移滤波后”, 均值偏移)  ' // 显示
视觉_颜色空间转换 (均值偏移, 均值偏移, #颜色_BGR转GRAY, 0)
视觉_阈值 (均值偏移, 二值化, 70, 255, #阈值_二进制 )  ' // 阈值
视觉_显示图像 (“二值化后”, 二值化)  ' // 显示
' // 距离变换
视觉_距离变换 (二值化, 距离, , #距离_L2, 3, 1)  ' // 欧氏距离
' // 归一化范围={0.0，1.0}，以方便进行可视化和阈值化
视觉_归一化 (距离, 距离, 0, 1, #规范_MINMAX, -1, )
视觉_显示图像 (“距离变换后”, 距离)
' // 阈值获取 距离 的山峰部分，也就是确定肯定是前景的区域
视觉_阈值 (距离, 距离, 0.5, 1, #阈值_二进制 )
' // 转换成CV_8U，因为之后的 查找轮廓 需要
距离.转换到 (前景, #Cv无符号字节型, 1, 0)
视觉_M乘V (前景, 255, 前景, 1, -1)
视觉_显示图像 (“确定的前景”, 前景)
视觉_连通区域 (前景, 标记, 8, 4, 0)  ' // 前景标记，每个标记有不同的颜色(灰度)
视觉_M加V (标记, 1, 标记, , -1)  ' // 整个图+1，使背景不是0而是1值
' // 未知区域标记
核心.初始化 (3, 3, #Cv无符号字节型, 标量 (1))
视觉_膨胀 (二值化, 二值化, 核心, 点2i (-1, -1), 3, 0, )  ' // 膨胀硬币二进制图3轮
视觉_减 (二值化, 前景, 未知, , -1)  ' // 减去肯定使前景的区域，剩下的就是“未知”
视觉_显示图像 (“未知”, 未知)
未知.转换到 (未知_32s, #Cv整数型, 1, 0)
视觉_减 (标记, 未知_32s, 标记, , -1)
标记.转换到 (标记8U, #Cv无符号字节型, 1, 0)
视觉_显示图像 (“Markers”, 标记8U.乘值 (50))  ' //方便显示查看
' // 分水岭算法
视觉_分水岭 (输入, 标记)
标记.转换到 (标记_8us, #Cv无符号字节型, 1, 0)
视觉_最小最大位置 (标记_8us, 最小_值, 最大_值, , , )  ' // 获取 标记 中的最大值，可以从中知道有多少个区域
输入.复制 (标记_8u, )
变量循环首 (2, 最大_值, 1, i)  ' 我们从2开始，因为0=边界，1=背景，>1 各个前景
视觉_在范围内 (标记_8us, 标量 (i), 标量 (i), temp)  ' // 提取特定灰度的区域
视觉_查找轮廓 (temp, 轮廓, , #检测_外部, #逼近_简单, )
颜色.初始化 (取随机数 (0, 200), 取随机数 (0, 200), 取随机数 (0, 200), )  ' //随机颜色
视觉_绘制轮廓 (标记_8u, 轮廓, 0, 颜色, -1, 8, , 2147483647, )  ' // 绘出轮廓
矩 ＝ 视觉_计算矩 (轮廓.取点2i类数组 (1), , 真)
矩点 ＝ 点2f (矩.m10 () ÷ (矩.m00 () ＋ 1e-005) － 10, 矩.m01 () ÷ (矩.m00 () ＋ 1e-005) ＋ 10)
视觉_放置文本f (标记_8u, 到文本 (i － 1), 矩点, #字体_衬线_简单, 1.5, 标量 (0, 255, 0), 3, 8, 假)  ' // 写下编号
变量循环尾 ()
视觉_缩放加法 (输入, 0.5, 标记_8u, 标记_8u)
视觉_显示图像 (“Result”, 标记_8u)  ' // 显示结果
视觉_等待按键 (0)
返回 (0)  ' 可以根据您的需要返回任意数值

i支持库列表	支持库注释
OpenCV	(未知支持库)

.版本 2<br /> .支持库 OpenCV<br /> <br /> .程序集 程序集1<br /> <br /> .子程序 _启动子程序, 整数型, , 本子程序在程序启动后最先执行<br /> .局部变量 输入, 多维矩阵类<br /> .局部变量 均值偏移, 多维矩阵类<br /> .局部变量 二值化, 多维矩阵类<br /> .局部变量 距离, 多维矩阵类<br /> .局部变量 标记, 多维矩阵类<br /> .局部变量 前景, 多维矩阵类<br /> .局部变量 未知, 多维矩阵类<br /> .局部变量 核心, 多维矩阵类<br /> .局部变量 未知_32s, 多维矩阵类<br /> .局部变量 标记8U, 多维矩阵类<br /> .局部变量 标记_8us, 多维矩阵类<br /> .局部变量 标记_8u, 多维矩阵类<br /> .局部变量 最小_值, 双精度小数型<br /> .局部变量 最大_值, 双精度小数型<br /> .局部变量 i, 整数型<br /> .局部变量 temp, 多维矩阵类<br /> .局部变量 轮廓, 多维数组点2i类<br /> .局部变量 颜色, 标量类<br /> .局部变量 矩, 矩类<br /> .局部变量 矩点, 点2f类<br /> <br /> 输入 ＝ 视觉_图像解码 (#图片1, 1)  ' //读入图像<br /> 视觉_均值偏移筛选 (输入, 均值偏移, 21, 51, 1, )  ' // 均值漂移分割(滤波)<br /> 视觉_显示图像 (“均值偏移滤波后”, 均值偏移)  ' // 显示<br /> 视觉_颜色空间转换 (均值偏移, 均值偏移, #颜色_BGR转GRAY, 0)<br /> 视觉_阈值 (均值偏移, 二值化, 70, 255, #阈值_二进制)  ' // 阈值<br /> 视觉_显示图像 (“二值化后”, 二值化)  ' // 显示<br /> ' // 距离变换<br /> 视觉_距离变换 (二值化, 距离, , #距离_L2, 3, 1)  ' // 欧氏距离<br /> ' // 归一化范围={0.0，1.0}，以方便进行可视化和阈值化<br /> 视觉_归一化 (距离, 距离, 0, 1, #规范_MINMAX, -1, )<br /> 视觉_显示图像 (“距离变换后”, 距离)<br /> ' // 阈值获取 距离 的山峰部分，也就是确定肯定是前景的区域<br /> 视觉_阈值 (距离, 距离, 0.5, 1, #阈值_二进制)<br /> ' // 转换成CV_8U，因为之后的 查找轮廓 需要<br /> 距离.转换到 (前景, #Cv无符号字节型, 1, 0)<br /> 视觉_M乘V (前景, 255, 前景, 1, -1)<br /> 视觉_显示图像 (“确定的前景”, 前景)<br /> 视觉_连通区域 (前景, 标记, 8, 4, 0)  ' // 前景标记，每个标记有不同的颜色(灰度)<br /> 视觉_M加V (标记, 1, 标记, , -1)  ' // 整个图+1，使背景不是0而是1值<br /> ' // 未知区域标记<br /> 核心.初始化 (3, 3, #Cv无符号字节型, 标量 (1))<br /> 视觉_膨胀 (二值化, 二值化, 核心, 点2i (-1, -1), 3, 0, )  ' // 膨胀硬币二进制图3轮<br /> 视觉_减 (二值化, 前景, 未知, , -1)  ' // 减去肯定使前景的区域，剩下的就是“未知”<br /> 视觉_显示图像 (“未知”, 未知)<br /> 未知.转换到 (未知_32s, #Cv整数型, 1, 0)<br /> 视觉_减 (标记, 未知_32s, 标记, , -1)<br /> 标记.转换到 (标记8U, #Cv无符号字节型, 1, 0)<br /> 视觉_显示图像 (“Markers”, 标记8U.乘值 (50))  ' //方便显示查看<br /> ' // 分水岭算法<br /> 视觉_分水岭 (输入, 标记)<br /> 标记.转换到 (标记_8us, #Cv无符号字节型, 1, 0)<br /> 视觉_最小最大位置 (标记_8us, 最小_值, 最大_值, , , )  ' // 获取 标记 中的最大值，可以从中知道有多少个区域<br /> 输入.复制 (标记_8u, )<br /> .变量循环首 (2, 最大_值, 1, i)  ' 我们从2开始，因为0=边界，1=背景，>1 各个前景<br />     视觉_在范围内 (标记_8us, 标量 (i), 标量 (i), temp)  ' // 提取特定灰度的区域<br />     视觉_查找轮廓 (temp, 轮廓, , #检测_外部, #逼近_简单, )<br />     颜色.初始化 (取随机数 (0, 200), 取随机数 (0, 200), 取随机数 (0, 200), )  ' //随机颜色<br />     视觉_绘制轮廓 (标记_8u, 轮廓, 0, 颜色, -1, 8, , 2147483647, )  ' // 绘出轮廓<br />     矩 ＝ 视觉_计算矩 (轮廓.取点2i类数组 (1), , 真)<br />     矩点 ＝ 点2f (矩.m10 () ÷ (矩.m00 () ＋ 1e-005) － 10, 矩.m01 () ÷ (矩.m00 () ＋ 1e-005) ＋ 10)<br />     视觉_放置文本f (标记_8u, 到文本 (i － 1), 矩点, #字体_衬线_简单, 1.5, 标量 (0, 255, 0), 3, 8, 假)  ' // 写下编号<br /> .变量循环尾 ()<br /> 视觉_缩放加法 (输入, 0.5, 标记_8u, 标记_8u)<br /> 视觉_显示图像 (“Result”, 标记_8u)  ' // 显示结果<br /> 视觉_等待按键 (0)<br /> <br /> 返回 (0)  ' 可以根据您的需要返回任意数值

z13228604287

刀子嘴豆腐心 发表于 2022-5-21 20:16
看着看着，感觉吧，用fpga芯片，搭建电路来处理这种识别，简单速度快。
设置一个矩阵，通过电路二 ...

理论始终是理论，需要实践做支撑，不可实现的理论就是瞎扯。

yuan71058

感谢分享  

刀子嘴豆腐心

看着看着，感觉吧，用fpga芯片，搭建电路来处理这种识别，简单速度快。
设置一个矩阵，通过电路二值化图片。
通过电路提取轮廓。