Вот подход, который использует преимущества утопленных и приподнятых контуров рельефного / тисненого изображения.Основная идея заключается в следующем:
- Преобразование изображения в оттенки серого
- Выполнение морфологического преобразования
- Поиск контуров с помощью функции обнаружения Canny edge
- Расширение изображения Cannyобъединить отдельные контуры в один контур
- Выполнить обнаружение контуров, чтобы найти размеры ROI верхней / нижней половин
- Получить ROI верхнего / нижнего изображения canny
- Подсчет ненулевые элементы массива для каждой половины
Преобразовать в оттенки серого и выполнить морфологическое преобразование
Выполнить обнаружение канни, чтобы найти контуры,Ключ, чтобы определить, является ли объект тисненым / выбитым, должен сравнить хитрые края.Вот подход: мы смотрим на объект, если его верхняя половина имеет больше контуров / линий / пикселей, чем его нижняя половина, тогда он удаляется.Точно так же, если верхняя половина имеет меньше пикселей, чем ее нижняя половина, то она тиснена.
Теперь, когда у нас есть хитрые края, мы набираемизображение, пока все контуры не соединяются, поэтому мы получаем один единственный объект.
Затем мы выполняем обнаружение контуров для получения ROI объектов
Отсюда мы разделяем каждый объект на верхнюю и нижнюю части
Теперь, когда мыИмеем ROI верхней и нижней секций, мы обрезаем область интереса в хитром изображении
С каждымполовина, мы считаем ненулевые элементы массива, используя cv2.countNonZero().Для рельефного объекта мы получаем это
('top', 1085)
('bottom', 1899)
Для дебоссированного объекта мы получаем это
('top', 979)
('bottom', 468)
Следовательно, сравнивая значения между двумя половинами, если верхполовина имеет меньше пикселей, чем дно, тиснение.Если оно больше, оно удаляется .
import numpy as np
import cv2
original_image = cv2.imread("1.jpg")
image = original_image.copy()
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
morph = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)
canny = cv2.Canny(morph, 130, 255, 1)
# Dilate canny image so contours connect and form a single contour
dilate = cv2.dilate(canny, kernel, iterations=4)
cv2.imshow("morph", morph)
cv2.imshow("canny", canny)
cv2.imshow("dilate", dilate)
# Find contours in the image
cnts = cv2.findContours(dilate.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
contours = []
# For each image separate it into top/bottom halfs
for c in cnts:
# Obtain bounding rectangle for each contour
x,y,w,h = cv2.boundingRect(c)
# Draw bounding box rectangle
cv2.rectangle(original_image,(x,y),(x+w,y+h),(0,255,0),3)
# cv2.rectangle(original_image,(x,y),(x+w,y+h/2),(0,255,0),3) # top
# cv2.rectangle(original_image,(x,y+h/2),(x+w,y+h),(0,255,0),3) # bottom
top_half = ((x,y), (x+w, y+h/2))
bottom_half = ((x,y+h/2), (x+w, y+h))
# Collect top/bottom ROIs
contours.append((top_half, bottom_half))
for index, c in enumerate(contours):
top_half, bottom_half = c
top_x1,top_y1 = top_half[0]
top_x2,top_y2 = top_half[1]
bottom_x1,bottom_y1 = bottom_half[0]
bottom_x2,bottom_y2 = bottom_half[1]
# Grab ROI of top/bottom section from canny image
top_image = canny[top_y1:top_y2, top_x1:top_x2]
bottom_image = canny[bottom_y1:bottom_y2, bottom_x1:bottom_x2]
cv2.imshow('top_image', top_image)
cv2.imshow('bottom_image', bottom_image)
# Count non-zero array elements
top_pixels = cv2.countNonZero(top_image)
bottom_pixels = cv2.countNonZero(bottom_image)
print('top', top_pixels)
print('bottom', bottom_pixels)
cv2.imshow("detected", original_image)
print('contours detected: {}'.format(len(contours)))
cv2.waitKey(0)