如何使用openCV计算盒子的堆栈答案

【问题标题】：How to use openCV to count the stack of the boxes如何使用openCV计算盒子的堆栈
【发布时间】：2019-10-09 13:20:51
【问题描述】：

我的目标是尝试生成一种可以计算盒子堆栈的算法。请记住，我无法对阈值进行硬编码，因为这些框可以有不同的颜色，因此我无法将其转换为二进制图像。

盒子

我尝试将其转换为灰度并使用精巧的边缘检测器来获取所有边缘，如下图所示：

kernel1 = np.ones((5, 5), np.uint8)
kernel2 = np.ones((3, 3), np.uint8)
#kernel3 = np.ones((5, 5), np.uint8)
img = cv2.dilate(img, kernel1, iterations=1)
img = cv2.erode(img, kernel2, iterations=1)
cv2.imshow("blur", img)
# img = cv2.erode(img, kernel1, iterations=1)
# img = cv2.dilate(img, kernel2, iterations=1)
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel1)
canny = cv2.Canny(opening, 30, 120)

精明

之后，我使用 houghlines 函数获取所有线条。我制定了一个算法来删除行列表中的所有垂直线。下图显示了使用此代码的结果

lines = cv2.HoughLinesP(canny, 1, np.pi / 200, 90, minLineLength=20, maxLineGap=10)
for line in range(0, len(lines)):
    x1, y1, x2, y2 = lines[line][0]
    # cv2.line(show, (x1, y1), (x2, y2), (255, 0, 0), 2)
# cv2.imshow('first', show)
result = []

# cannot delete directly from the array because inside the  for loop
# use dummy "result[]" to keep the lines that needed
# return the result back to the array after the for loop
print(len(lines))
for line in range(0, len(lines)):
    x1, y1, x2, y2 = lines[line][0]
    if x1 == x2:
        continue
    angle = math.atan(float((y2 - y1)) / float((x2 - x1)))
    angle = angle * 180 / math.pi
    # print(angle)
    if abs(angle) <= 5 and ((y1 or y2) < (show.shape[0] - 30)):
        result.append(lines[line][0])
lines = result
cv2.waitKey(0)
print(len(lines))
data = []
for line in range(0, len(result)):
    x1, y1, x2, y2 = lines[line]
    cv2.line(show, (x1, y1), (x2, y2), (0, 255, 0), 2)
    #cv2.imshow('show2', show)
    data.append((y1 + y2) / 2)

结果

我想要的结果是这样的：

我已经有一个用于对线条进行分组的 K-mean 聚类，所以我不介意线条相互堆叠。但就目前而言，我需要哪些预处理技能或技术来实现预期结果，以便我可以数箱子的堆叠？

我遇到的计划和问题：

所以我的计划是转换为灰度并使用精明的边缘勾勒出边缘。这里有一个问题，盒子上的文字也是草绘的。我试图通过使用膨胀来删除文本，但这个过程也模糊了我想要的边缘。我不知道如何获取这些边缘线，但不知道从文本中检测到的线。

【问题讨论】：

标签： python opencv image-processing

【解决方案1】：

您可以尝试使用水平 ROI（例如 Rect(0,y,image_w,10) ）垂直扫描边缘图像并计算其中的非零像素。它将为您提供沿水平轴的像素密度直方图。然后你可能需要平滑它并找到峰值。这些峰会给出分离线。

【讨论】：