Количественная неопределенность в измерениях площади с помощью Python opencv ⇐ Python

[Anonymous]

Я пытаюсь использовать OpenCV в сочетании с дешевым USB-микроскопом для измерения в реальном времени площади образцов, которые мы готовим с помощью прокатки фольги, и в настоящее время измеряем с помощью штангенциркуля. Из-за неровных краев некоторых из этих образцов я хотел исследовать их с помощью анализа изображений, а не делать предположения о том, что они круглые, прямоугольные и т. д. Кроме того, я хотел использовать бумагу с миллиметровой сеткой (на лайтбоксе, чтобы ищите отверстия) позади объектов, чтобы иметь возможность на лету выполнить калибровку шкалы пикселей мм. Это также значительно увеличивает контраст, что значительно упрощает установку пороговых значений и позволяет избежать проблем с отражениями и т. д.
Это удалось, но, хотя площадь квадратов сетки бумаги определяется точно, когда я изображаю объекты известных размеров/площади (например, пенни США), я получаю значения, которые на 2–4 % выше ожидаемых. Это можно легко компенсировать, изменяя опорное значение до тех пор, пока калибровочный объект не будет измерен правильно, но я беспокоюсь, что это всего лишь повязка за то, что я делаю неправильно, возможно, из-за морфологических преобразований / размытия по Гауссу, слишком сильно искажающих края? Пенни предназначался для проверки калибровки, но он не может находиться в рамке при обычном использовании, поэтому я в первую очередь хотел использовать сетку для калибровки. Камера установлена ​​вертикально над головой и по центру, и попытка выполнить калибровку камеры, похоже, добавила больше сферических аберраций, чем улучшила ситуацию.
Это приводит к двум основным вопросам:

• Что я здесь делаю не так?
• Можно ли оценить неопределенность в областях, рассчитанных с помощью cv2.contourArea(контур)? Штангенциркули обычно позволяют нам достичь погрешности 0) and (cX > 0):
  approxCurve = cv2.approxPolyDP(contour, 50, True)
  # if the area is rectangle
  if len(approxCurve)==4:
  # get lengths of sides
  (x,y,w,h) = cv2.boundingRect(contour)
  delta = 0.2;
  area = area = cv2.contourArea(contour)
  
  cv2.drawContours(img, [contour], -1, (255,0,0), 3) # plot all found contours in blue
  cv2.drawContours(outerBox, [contour], -1, (255,0,0), 3) # plot all found contours in blue
  
  # Check if contour looks like a square within tolerance delta
  if (abs((w/h)-1) < delta) and (area > grid_area_threshold) and (abs((w*h/area)-1) < delta) :
  if area > 0:
  area_list.append(area)
  contour_list.append(contour)
  
  for (area,contour) in zip(area_list,contour_list):
  cv2.drawContours(img, [contour], -1, (0,255,0), 3) # plot square-like contours in green
  
  # take the median or mean for grid scaling?
  # Remove edge cases to reject noise
  area_list.sort()
  if len(area_list) < 2:
  median = np.mean(area_list)
  elif len(area_list) < 3:
  median = np.mean(area_list[1:-1])
  else:
  median = np.mean(area_list[2:-2])
  pixels_per_mm = 0
  
  # take the side of a square which is the number of pixels per millimeter
  if np.size(median) == 1:
  pixels_per_mm = np.sqrt(median) / known_grid_width
  
  # Annotate area onto each detected grid square for comparison
  for contour in contour_list:
  area = cv2.contourArea(contour)
  if area > grid_area_threshold:
  
  x, y, w, h = cv2.boundingRect(contour)
  cv2.putText(img, '{0:.2f}'.format(area/(pixels_per_mm*pixels_per_mm)), (x, y+20), cv2.FONT_HERSHEY_SIMPLEX, 0.75, (0, 0, 255), 2)
  
  return pixels_per_mm
  [/code]
  с выводом:
  [img]https:// i.sstatic.net/C8BZKork.png[/img]
  
  Код, который выполняет калибровку пикселей на мм и измеряет площадь объектов, превышающую установленный порог:

  Код: Выделить всё

  def measureArea(img, pixels_per_mm):
  area_threshold = 100  # Reject small features
  
  # Convert to grayscale
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  
  #
  # Threshold detection
  #
  
  blur = cv2.GaussianBlur(gray, (5, 5), 0)
  ret,th1 = cv2.threshold(gray,70,255,cv2.THRESH_BINARY)
  
  contours,hierarchy = cv2.findContours(th1, 1, 2)
  for contour in contours:
  area = cv2.contourArea(contour)
  # Annotate object area onto image
  if area > area_threshold:
  
  x, y, w, h = cv2.boundingRect(contour)
  cv2.putText(img, '{0:.2f} cm2'.format(area/(pixels_per_mm*pixels_per_mm*100)), (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
  
  cv2.drawContours(img, [contour], -1, (0,255,0), 1)  # plot square-like contours in green
  # print(area)
  

  с выводом:
  [img]https://i .sstatic.net/iVbE8Uuj.png[/img]
  
  И, наконец, код, который просто обходит поток камеры и вызывает две вышеупомянутые функции и выполняет среднее число пикселей на мм. , чтобы сгладить выходные значения площади (во избежание дрожания значений в реальном времени):

  Код: Выделить всё

  def acquireFromCamera(show_calibration=False):
  # Open the default camera (default was 0)
  cam = cv2.VideoCapture(0)
  
  pixel_scale_list = []
  
  # Loop over camera input stream frames
  while True:
  # Swapped from camera input to imread for posting to stackoverflow
  #
  # ret, frame = cam.read()
  frame = cv2.imread('original_image.png')
  frame_copy = frame.copy()
  
  pixels_per_mm = measureGridSize(frame)
  
  # Get running average of pixel scale to smooth output areas
  if not np.isnan(pixels_per_mm):
  pixel_scale_list.append(pixels_per_mm)
  avg_pixel_scale = np.convolve(pixel_scale_list, np.ones(len(pixel_scale_list))/len(pixel_scale_list), mode='valid')
  
  print(avg_pixel_scale)
  measureArea(frame_copy, avg_pixel_scale[0])
  if show_calibration:
  cv2.imshow('Area Detection', frame_copy)
  
  # Display the captured frame
  cv2.imshow('Camera (Press q to exit)', frame)
  
  if cv2.waitKey(1) == ord('q'):
  break
  
  # Release the capture and writer objects
  cam.release()
  cv2.destroyAllWindows()
  
  acquireFromCamera(True)
  

  Использование известного_grid_width = 5 # мм для бумаги с сеткой 5 мм позволяет получить точные измерения площади квадратов сетки (в среднем 24,94398288816283 мм^2), но завышает ожидаемые 2,853 см^2. площадь копейки примерно на 3%. Уменьшениеknown_grid_width, чтобы получить правильную площадь пенни, приводит к тому, что квадраты сетки имеют площадь около 23,8 мм^2, что является серьезной заниженной оценкой, а измерения бумажной сетки с помощью штангенциркуля выглядят соответствующими сеткам с шагом 5 мм. Я не думаю, что это проблема с порогами для MeasureArea(), и использование среднего и медианы для получения репрезентативного значения пикселей на мм в каждой итерации цикла также кажется довольно нечувствительным. Если проблема связана с морфологическими преобразованиями при обнаружении сетки, выбор ядра был ОЧЕНЬ чувствителен к тому, сколько квадратов сетки было обнаружено. Если не считать пластыря для использования площади пенни вместо известной_сетки_ширины (и, таким образом, сводящей на нет всю суть статьи), как я могу согласовать результаты площади сетки с пенни?
  Любая помощь, которую вы можете оказать новичку, будет очень признательна, особенно для оценки неопределенности в области подгонок! Спасибо!!
  
  Подробнее здесь: https://stackoverflow.com/questions/789 ... hon-opencv