目錄
- 1. 基本思路
- 2.代碼
- 3.局限性
1. 基本思路
1. 保證圖檔背景盡量為純黑或純白
為了數量檢測的友善，将垃圾的背景設定為純色，最好是純黑色或純白色，一會解釋原因。
2. 将RGB圖檔轉為灰階圖
3. opencv找到能将灰階值最大程度分開的門檻值ret
opencv的算法自動找到最合适的門檻值ret，ret能将灰階圖每個像素的灰階值最大限度的區分開。灰階圖每個像素的灰階值為0(純黑)到255(純白)，上面的灰階圖中像素灰階值的分布如下所示。
可以看到opencv自動找到ret=92。
這裡來說明兩個問題：
（1）為什麼要轉為灰階圖？
因為彩色圖有RGB三個次元，而灰階圖隻有0（純黑）-255（純白）這一個次元，便于處理。
（2）為什麼要保證背景盡量為純黑或純白？
因為在第三步找門檻值ret時，要把灰階值的分布圖最大程度的分開。背景顔色所占像素很多，如果背景為别的顔色，轉為灰階值會位于分布圖的中間，就會影響找到的門檻值ret。（我們可以看到，在上面的分布圖中大多數灰階值接近0，這是因為背景接近黑色，轉換為灰階值會更接近0）
4. 二值化處理
灰階值小于ret的像素置為0(黑色)，大于ret的像素值為255(白色)，将上面的灰階圖轉換為黑白圖，如下所示：
5. 計算白色區域的個數
使用opencv算法對每個不相鄰的白色區域像素值進行統計，同時過濾像素值較小的白色區域。（如某個白色區域隻有20個像素值，則不大可能是一個物品，排除）對像素量超過1000的白色區域計數，即可得到圖檔中物體的數量。
還可以畫出連通域：
2.代碼
import cv2
# # 計算面積 去除面積小的 連通域
def Filter(contours):
sum = 0
a = []
for i,area in enumerate(contours):
if cv2.contourArea(area)>800:
a.append(contours[i])
sum+=1
return sum, a
if __name__ == '__main__':
frame = cv2.imread("E:\\GarbageClassification\\1.png")
gray = cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY) #将圖檔變為灰階圖檔
ret2, thresh2 = cv2.threshold(gray,0,255,cv2.THRESH_OTSU)# 算法自動找出合适門檻值ret2，将灰階圖轉換為黑白圖，thresh2為傳回的黑白圖
contours,hirearchy=cv2.findContours(thresh2, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 找出連通域
sum, contours_1 = Filter(contours)
img1=cv2.drawContours(frame,contours_1,-1,(0,0,255),3)
# 所有操作結束後進行釋放
cv2.imshow("img1",gray)
cv2.imshow("img2",thresh2)
cv2.imshow("img3",img1)
print(sum)
if cv2.waitKey():
cv2.destroyAllWindows()
3.局限性
這個思路很簡單粗暴，但也存在一些局限性：
（1）對背景有要求，背景不能太亂，對環境較為敏感，盡量保證物品和背景顔色差别較大；
（2）物品最好不要反光，否則會檢測不準；
（3）無法處理物品有重疊的情況，如果兩個橙子挨在一起，就會檢測成一個。