我扫描过由不同喷墨打印机(爱普生、惠普、佳能等)打印的文档。每张照片都有非常高的质量(如1.6 in ),您可以放大并查看使用频率调制的图片的半色调。
我的任务是根据网格点、网格的模式、点的距离等进行特征提取。
相关的特征是这些点的大小(每个打印机打印这些点的不同大小-必须计算平均值和标准偏差)。
稍后,我将不得不用ML训练一个模型,训练后的模型应该将打印分类到特定的打印机(所以基本上这个打印属于打印机XYZ)。
但就目前而言,我已经在为特征工程和预处理工作而苦苦挣扎,因为这实际上是我的第一个计算机视觉项目,而我对opencv还不是很熟悉。
我有一个想法,我的计划是用opencv对图像进行二进制变换,通过Sobel或Prewitt滤波器或其他任何方法来确定边缘(边缘检测)。所以我想我必须先做一些模糊处理,然后再做边缘检测。
我不确定这是否是正确的方法,这就是为什么我在这里问,你认为呢?如果你能给我一些最好的或好的方法的提示或步骤,我会很高兴。
发布于 2021-10-28 19:30:17
以下是Python/OpenCV中的一种方法。
使用cv2.inRange()设置颜色阈值。在这种情况下,我将以蓝点为阈值。然后得到所有的外轮廓,找出所有的孤立区域。根据等高线,计算等效的圆形直径。然后计算平均值和标准差。
输入:

import cv2
import numpy as np
import math
img = cv2.imread("color_dots.png")
# threshold on blue color
lower = (190,150,100)
upper = (255,255,170)
thresh = cv2.inRange(img, lower, upper)
# get external contours
contours = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contours = contours[0] if len(contours) == 2 else contours[1]
count = len(contours)
sum = 0
sum2 = 0
for cntr in contours:
# get area from contours and then diameters of equivalent circles
area = cv2.contourArea(cntr)
# area = pi*radius**2 = pi*(diameter/2)**2 = (pi/4)*diameter**2
# diameter = sqrt(4*area/pi) = 2*sqrt(area/pi)
diameter = 2 * math.sqrt(area/math.pi)
sum = sum + diameter
sum2 = sum2 + diameter * diameter
# compute average2 (mean)
average = sum/count
average2 = sum2/count
# compute standard deviation
variance = average2 - average*average
standard_deviation = math.sqrt(variance)
# print results
print("average:", average)
print("std_dev:", standard_deviation)
# save result
cv2.imwrite("color_dots_blue_threshold.png",thresh)
# display result
cv2.imshow("thresh", thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()阈值图像:

结果:
average: 3.0747726858108635
std_dev: 0.541288251281962https://stackoverflow.com/questions/69758712
复制相似问题