1.圖片演示

2.視頻演示

Python基于OpenCV的土壤裂縫分割系統(tǒng)[源碼＆部署教程]

3.項(xiàng)目背景

在一幅圖像中包括的內(nèi)容有很多，除了目標(biāo)物體之外，還有背景信息以及各類噪聲信息。那么要想能夠從多種內(nèi)容的數(shù)字圖像當(dāng)中直接提取出我們所需要的目標(biāo)物體，就需要加強(qiáng)目標(biāo)的圖像特征，削弱干擾物的圖像特征。圖像分割中的二值化分割就能實(shí)現(xiàn)如上的功能。
圖像二值化分割就是將圖像上的像素點(diǎn)的灰度值根據(jù)某種或某些算法設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。將采集的圖像信息灰度化之后仍不能較為清晰的識(shí)別裂縫信息，采用圖像二值化分割可以明顯的反映出裂縫信息與背景信息，十分直觀的識(shí)別出裂縫。常用的二值化方法有全局二值化和局部自適應(yīng)二值化。

(1)全局二值化
最為常見(jiàn)的二值化分割方法是全局二值化分割。具體實(shí)現(xiàn)原理是設(shè)置一個(gè)全局閾值T,用該閾值T將圖像中的像素?cái)?shù)據(jù)信息分成兩個(gè)部分，即像素值大于T的像素群和像素值小于T的像素群。例如，我們可以將像素值大于T的像素群中的像素設(shè)定為白色(或者為黑色)，像素值小于T的像素群中的像素設(shè)定為黑色(或者為白色)。
選擇合適的閾值將裂縫信息與背景信息及干擾物信息有效地進(jìn)行分割。
但實(shí)際操作中由于受光線的影響，采集圖像的明暗難以掌握，很難選擇統(tǒng)的閾值進(jìn)行分割。

(2)局部自適應(yīng)二值化
為了改善全局二值化的缺陷，局部二值化方法應(yīng)運(yùn)而生。
局部二值化方法,就是根據(jù)某些預(yù)先指定的規(guī)則，將整幅圖像按照條件劃分為若干個(gè)窗口,然后將這些窗口中的每一個(gè)窗口中的圖像的每一個(gè)像素點(diǎn)，根據(jù)其像素值使用同一個(gè)的閾值T將該窗口內(nèi)的圖像的像素劃分為兩個(gè)部分，從而進(jìn)行二值化處理。
當(dāng)然，局部二值化也有其自身的不足，這個(gè)不足就是需要對(duì)閾值T的取值進(jìn)行預(yù)先的選定。然而，這個(gè)閾值的選定過(guò)程是沒(méi)有任何理論支持的，以往的學(xué)看的一般做法為僅僅取該窗口中像素點(diǎn)的像素值的平局值，或者是根據(jù)某些實(shí)際實(shí)驗(yàn)中得出閾值T。

4.Canny邊緣檢測(cè)

CV2提供了提取圖像邊緣的函數(shù)canny。其算法思想如下：

使用高斯模糊，去除噪音點(diǎn)（cv2.GaussianBlur）

灰度轉(zhuǎn)換（cv2.cvtColor）

使用sobel算子，計(jì)算出每個(gè)點(diǎn)的梯度大小和梯度方向

使用非極大值抑制(只有最大的保留)，消除邊緣檢測(cè)帶來(lái)的雜散效應(yīng)

應(yīng)用雙閾值，來(lái)確定真實(shí)和潛在的邊緣

通過(guò)抑制弱邊緣來(lái)完成最終的邊緣檢測(cè)

高斯濾波

gaussian = cv2.GaussianBlur(color_img, (gaussian_ksize,gaussian_ksize), gaussian_sigmax)

color_img 輸入圖片
gaussian_ksize 高斯核大小，可以為方形矩陣，也可以為矩形
gaussian_sigmax X方向上的高斯核標(biāo)準(zhǔn)偏差

Canny邊緣檢測(cè)器是一種被廣泛使用的算法，并被認(rèn)為是邊緣檢測(cè)最優(yōu)的算法，該方法使用了比高斯差分算法更復(fù)雜的技巧，如多向灰度梯度和滯后閾值化

步驟
平滑圖像：使用高斯濾波器與圖像進(jìn)行卷積，平滑圖像，以減少邊緣檢測(cè)器上明顯的噪聲影響

計(jì)算圖像的梯度和方向：圖像中的邊緣可以指向各個(gè)方向，這里計(jì)算圖像的梯度，并將梯度分類為垂直、水平和斜對(duì)角。

非最大值抑制：利用上一步計(jì)算出來(lái)的梯度方向，檢測(cè)某一像素在梯度的正方向和負(fù)方向上是否是局部最大值，如果是，則該像素點(diǎn)保留為邊緣點(diǎn)，否則該像素點(diǎn)將被抑制。

雙閾值算法檢測(cè)和連接邊緣：仍然存在由于噪聲和顏色變化引起的一些邊緣像素。為了解決這些雜散響應(yīng)，必須用弱梯度值過(guò)濾邊緣像素，并保留具有高梯度值的邊緣像素，可以通過(guò)選擇高低閾值來(lái)實(shí)現(xiàn)

5.Sobel邊緣檢測(cè)

Sobel算子：是離散微分算子（discrete differentiation operator），用來(lái)計(jì)算圖像灰度的近似梯度，梯度越大越有可能是邊緣。

Soble算子的功能集合了高斯平滑和微分求導(dǎo)，又被稱為一階微分算子，求導(dǎo)算子，在水平和垂直兩個(gè)方向上求導(dǎo)，得到的是圖像在X方法與Y方向梯度圖像。

缺點(diǎn)：比較敏感，容易受影響，要通過(guò)高斯模糊（平滑）來(lái)降噪。

算子是通過(guò)權(quán)重不同來(lái)擴(kuò)大差異。

（1）梯度計(jì)算：（在兩個(gè)方向求導(dǎo)，假設(shè)被作用圖像為 I）

水平變化: 將 I 與一個(gè)奇數(shù)大小的內(nèi)核 Gx進(jìn)行卷積。比如，當(dāng)內(nèi)核大小為3時(shí), Gx的計(jì)算結(jié)果為:

垂直變化: 將 I 與一個(gè)奇數(shù)大小的內(nèi)核 Gy進(jìn)行卷積。比如，當(dāng)內(nèi)核大小為3時(shí), Gy的計(jì)算結(jié)果為:

在圖像的每一像素上，結(jié)合以上兩個(gè)結(jié)果求出近似梯度：

有時(shí)也用下面更簡(jiǎn)單公式代替，計(jì)算速度快：（最終圖像梯度）。

（2）Scharr：當(dāng)內(nèi)核大小為3時(shí), 以上Sobel內(nèi)核可能產(chǎn)生比較明顯的誤差(畢竟，Sobel算子只是求取了導(dǎo)數(shù)的近似值)。 為解決這一問(wèn)題，OpenCV提供了 Scharr 函數(shù)，但該函數(shù)僅作用于大小為3的內(nèi)核。該函數(shù)的運(yùn)算與Sobel函數(shù)一樣快，但結(jié)果卻更加精確，不怕干擾，其內(nèi)核為:

（3）Sobel/Scharr提取邊緣（求導(dǎo)）步驟：

1）高斯模糊平滑降噪：

GaussianBlur( src, dst, Size(3,3), 0, 0, BORDER_DEFAULT );

2）轉(zhuǎn)灰度：

cvtColor( src, gray, COLOR_RGB2GRAY );

3）求X和Y方向的梯度（求導(dǎo)）：

Sobel(gray_src, xgrad, CV_16S, 1, 0, 3);

Sobel(gray_src, ygrad, CV_16S, 0, 1, 3);

Scharr(gray_src, xgrad, CV_16S, 1, 0);

Scharr(gray_src, ygrad, CV_16S, 0, 1);

4）像素取絕對(duì)值：

convertScaleAbs(A, B); //計(jì)算圖像A的像素絕對(duì)值，輸出到圖像B

[圖片上傳失敗…(image-4ea8ad-1662621323461)]

5）相加X(jué)和Y，得到綜合梯度，稱為振幅圖像：

addWeighted( A, 0.5,B, 0.5, 0, AB); //混合權(quán)重相加，效果較差

6.Laplacian算子邊緣檢測(cè)

Laplacian算子利用二階導(dǎo)數(shù)信息，具有各向同性，即與坐標(biāo)軸方向無(wú)關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。使得圖像經(jīng)過(guò)二階微分后，在邊緣處產(chǎn)生一個(gè)陡峭的零交叉點(diǎn)，根據(jù)這個(gè)對(duì)零交叉點(diǎn)判斷邊緣。其4鄰域系統(tǒng)和8鄰域系統(tǒng)的Laplacian算子的模板分別如圖所示。

通常使用的拉普拉斯算子3×3模板如圖所示：

Laplacian算子對(duì)噪聲比較敏感，Laplacian算子有一個(gè)缺點(diǎn)是它對(duì)圖像中的某些邊緣產(chǎn)生雙重響應(yīng)。所以圖像一般先經(jīng)過(guò)平滑處理，通常把Laplacian算子和平滑算子結(jié)合起來(lái)生成一個(gè)新的模板。

7.代碼實(shí)現(xiàn)

I=imread('lena.bmp'); I=im2double(I); %figure; %imshow(I);title('org img');[height width R]=size(I); for i=2:height-1for j=2:width-1L(i,j)=4*I(i,j)-I(i-1,j)-I(i+1,j)-I(i,j-1)-I(i,j+1);end end %figure; %imshow(L,[]);%G(i,j)=0.3*L(i,j)+0.7*I(i,j); %figure; %imshow(G,[]);for i=1:height-1for j=1:width-1if (L(i,j)<0.2)L(i,j)=1;else L(i,j)=0;endend end figure; imshow(L,[]);

8.系統(tǒng)整合

下圖完整源碼＆環(huán)境部署視頻教程＆自定義UI界面

參考博客《Python基于OpenCV的土壤裂縫分割系統(tǒng)[源碼＆部署教程]》

9.參考文獻(xiàn)

• [1]農(nóng)田土壤表面干縮裂縫的隨機(jī)分布統(tǒng)計(jì)特征[J]. 張展羽,朱文淵,朱成立,王策,吳春輝,司涵. 農(nóng)業(yè)工程學(xué)報(bào). 2013(16)
• [2]牛肉大理石花紋圖像特征信息提取及自動(dòng)分級(jí)方法[J]. 周彤,彭彥昆. 農(nóng)業(yè)工程學(xué)報(bào). 2013(15)
• [3]元謀干熱河谷區(qū)退化坡地土壤裂縫形態(tài)發(fā)育的影響因子[J]. 熊東紅,楊丹,李佳佳,蘇正安,董一帆,翟娟. 農(nóng)業(yè)工程學(xué)報(bào). 2013(01)
• [4]影響?zhàn)ば酝帘砻娓煽s裂縫結(jié)構(gòu)形態(tài)的因素及定量分析[J]. 唐朝生,施斌,劉春,王寶軍. 水利學(xué)報(bào). 2007(10)
• [5]考慮裂隙及雨水入滲影響的膨脹土邊坡穩(wěn)定性分析[J]. 姚海林,鄭少河,陳守義. 巖土工程學(xué)報(bào). 2001(05)

總結(jié)

以上是生活随笔為你收集整理的基于OpenCV的土壤裂缝分割系统的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。