小珠子，计数，椭圆长短轴直径

huangyhg · 发表于 2024-10-31 09:21:17

小珠子，计数，椭圆长短轴直径

huangyhg · 发表于 2024-10-31 09:24:40

* 读取图像
read_image (Image, 'path/to/your/image.bmp')

* 二值化，调整阈值以分离小珠子
threshold (Image, Regions, 0, 59)

* 连接区域（将相邻的像素点连成一个区域）
connection (Regions, ConnectedRegions)

* 按尺寸过滤区域（根据宽度和面积筛选珠子）
select_shape (ConnectedRegions, SelectedRegions, 'width', 'and', 5, 100)
select_shape (SelectedRegions, SelectedRegions, 'area', 'and', 50, 5000)

* 计算每个珠子的区域中心（质心）
area_center (SelectedRegions, Area, Row, Column)
num_elements (Area, NumberOfBeads)  * 统计珠子的数量

* 形态学腐蚀和膨胀，用于分离珠子
erosion_circle (SelectedRegions, RegionErosion, 5)
dilation_circle (RegionErosion, RegionDilation, 5)

* 为储存长轴和短轴直径创建空数组
RA := []
RB := []

* 遍历每个区域，拟合椭圆并提取长短轴信息
gen_empty_obj (EmptyObject)
for Index := 1 to NumberOfBeads by 1
* 获取单个区域
select_obj (RegionDilation, ObjectSelected, Index)

* 生成区域轮廓
gen_contour_region_xld (ObjectSelected, Contours, 'border')

* 拟合椭圆并计算长轴、短轴
fit_ellipse_contour_xld (Contours, 'fitzgibbon', -1, 0, 0, 200, 3, 2, Row1, Column1, Phi, Radius1, Radius2, StartPhi, EndPhi, PointOrder)

* 存储长轴和短轴
RA := RA.TupleConcat(Radius1 * 2)  * 长轴直径
RB := RB.TupleConcat(Radius2 * 2)  * 短轴直径

* 显示拟合的椭圆轮廓
gen_ellipse_contour_xld (ContEllipse, Row1, Column1, Phi, Radius1, Radius2, 0, 6.28318, 'positive', 1.5)
concat_obj (EmptyObject, ContEllipse, EmptyObject)
endfor

* 显示结果
dev_display (EmptyObject)
stop()

huangyhg · 发表于 2024-10-31 09:25:17

代码解释

threshold：对图像进行二值化处理，这一步用于分割珠子区域。阈值（0到59）可能需要根据具体图像进行调整。
connection：将像素点连成区域。
select_shape：根据宽度和面积过滤出符合条件的小珠子区域，参数可以根据珠子的尺寸进行调整。
area_center：计算每个小珠子的面积和质心。
erosion_circle和dilation_circle：形态学腐蚀和膨胀操作，确保珠子区域被分离。
fit_ellipse_contour_xld：对每个小珠子区域进行椭圆拟合，获取长轴和短轴半径。长轴和短轴直径分别是Radius1*2和Radius2*2。
结果显示：使用gen_ellipse_contour_xld绘制拟合的椭圆，RA和RB存储所有珠子的长轴和短轴直径。

注意事项

阈值调整：根据图像的不同，阈值可能需要手动调整，以获得最佳的珠子分割效果。
尺寸筛选：select_shape中的宽度和面积筛选条件需要根据小珠子的实际尺寸进行调整。
形态学操作半径：腐蚀和膨胀的半径也可能需要调整，以确保珠子正确分离。

此代码能够检测图像中的小珠子数量，并测量其长轴和短轴直径，适用于HALCON中的图像分析任务。

huangyhg · 发表于 2024-10-31 09:26:56

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>

int main() {
// 读取图像
cv::Mat image = cv::imread("path/to/your/image.bmp", cv::IMREAD_GRAYSCALE);
if (image.empty()) {
std::cerr << "Error loading image!" << std::endl;
return -1;
}

// 二值化，阈值分割
cv::Mat binary;
cv::threshold(image, binary, 60, 255, cv::THRESH_BINARY_INV);

// 腐蚀和膨胀操作，分离小珠子
cv::Mat morph;
cv::erode(binary, morph, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5)));
cv::dilate(morph, morph, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5)));

// 查找轮廓
std::vector<std::vector<cv:

oint>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(morph, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

// 用于存储长轴和短轴
std::vector<double> longAxes;
std::vector<double> shortAxes;

// 遍历每个轮廓
cv::Mat result;
cv::cvtColor(binary, result, cv::COLOR_GRAY2BGR);
for (size_t i = 0; i < contours.size(); ++i) {
      // 过滤小区域
      double area = cv::contourArea(contours[i]);
      if (area < 50 || area > 5000) continue; // 过滤面积过小或过大的区域

      // 拟合椭圆
      if (contours[i].size() < 5) continue; // 拟合椭圆需要至少5个点
      cv::RotatedRect ellipse = cv::fitEllipse(contours[i]);

      // 获取长轴和短轴
      double longAxis = std::max(ellipse.size.width, ellipse.size.height);
      double shortAxis = std::min(ellipse.size.width, ellipse.size.height);

      // 保存长轴和短轴
      longAxes.push_back(longAxis);
      shortAxes.push_back(shortAxis);

      // 绘制椭圆和中心点
      cv::ellipse(result, ellipse, cv::Scalar(0, 255, 0), 2);
      cv::circle(result, ellipse.center, 3, cv::Scalar(0, 0, 255), -1);

      // 在图像上显示长轴和短轴
      std::string text = "L:" + std::to_string(longAxis) + " S:" + std::to_string(shortAxis);
      cv::putText(result, text, ellipse.center, cv::FONT_HERSHEY_SIMPLEX, 0.4, cv::Scalar(255, 0, 0), 1);
}

// 显示结果
cv::imshow("Detected Beads", result);
cv::waitKey(0);
return 0;
}

huangyhg · 发表于 2024-10-31 09:27:05

#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>

int main() {
// 读取图像
cv::Mat image = cv::imread("path/to/your/image.bmp", cv::IMREAD_GRAYSCALE);
if (image.empty()) {
      std::cerr << "Error loading image!" << std::endl;
      return -1;
}

// 二值化，阈值分割
cv::Mat binary;
cv::threshold(image, binary, 60, 255, cv::THRESH_BINARY_INV);

// 腐蚀和膨胀操作，分离小珠子
cv::Mat morph;
cv::erode(binary, morph, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5)));
cv::dilate(morph, morph, cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5)));

// 查找轮廓
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(morph, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

// 用于存储长轴和短轴
std::vector<double> longAxes;
std::vector<double> shortAxes;

// 遍历每个轮廓
cv::Mat result;
cv::cvtColor(binary, result, cv::COLOR_GRAY2BGR);
for (size_t i = 0; i < contours.size(); ++i) {
      // 过滤小区域
      double area = cv::contourArea(contours[i]);
      if (area < 50 || area > 5000) continue; // 过滤面积过小或过大的区域

      // 拟合椭圆
      if (contours[i].size() < 5) continue; // 拟合椭圆需要至少5个点
      cv::RotatedRect ellipse = cv::fitEllipse(contours[i]);

      // 获取长轴和短轴
      double longAxis = std::max(ellipse.size.width, ellipse.size.height);
      double shortAxis = std::min(ellipse.size.width, ellipse.size.height);

      // 保存长轴和短轴
      longAxes.push_back(longAxis);
      shortAxes.push_back(shortAxis);

      // 绘制椭圆和中心点
      cv::ellipse(result, ellipse, cv::Scalar(0, 255, 0), 2);
      cv::circle(result, ellipse.center, 3, cv::Scalar(0, 0, 255), -1);

      // 在图像上显示长轴和短轴
      std::string text = "L:" + std::to_string(longAxis) + " S:" + std::to_string(shortAxis);
      cv::putText(result, text, ellipse.center, cv::FONT_HERSHEY_SIMPLEX, 0.4, cv::Scalar(255, 0, 0), 1);
}

// 显示结果
cv::imshow("Detected Beads", result);
cv::waitKey(0);
return 0;
}

huangyhg · 发表于 2024-10-31 09:27:47

注意事项

阈值：cv::threshold中的阈值（60）和形态学操作的结构元素大小（Size(5, 5)）可能需要根据具体图像调整。
轮廓过滤：面积过滤条件（小于50或大于5000的轮廓会被过滤）用于去除噪声和非目标区域。
椭圆拟合条件：拟合椭圆要求轮廓至少包含5个点，否则会导致异常。

这段代码可以有效地检测小珠子，统计珠子的数量，并获取每个珠子的长轴和短轴直径。

		自动登录	找回密码
密码			注册