实现了两种不同的图像处理和物体检测方法

这段代码实现了两种不同的图像处理和物体检测方法：一种是基于Canny边缘检测与轮廓分析的方法，另一种是使用TensorFlow加载预训练SSD（Single Shot Multibox Detector）模型进行物体检测。

1. Canny边缘检测与轮廓分析：

首先，通过OpenCV进行图像处理，找到矩形物体并进行绘制：

image = cv2.imread('U:/1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 高斯模糊
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Canny边缘检测
edges = cv2.Canny(blurred, 50, 150)

# 查找轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for contour in contours:
    # 逼近多边形
    epsilon = 0.04 * cv2.arcLength(contour, True)
    approx = cv2.approxPolyDP(contour, epsilon, True)

    # 如果轮廓有4个点且是矩形
    if len(approx) == 4:
        # 计算矩形的长宽比
        x, y, w, h = cv2.boundingRect(approx)
        aspect_ratio = float(w) / h
        if 0.8 < aspect_ratio < 1.2:  # 如果长宽比接近1，表示是矩形
            # 绘制矩形
            cv2.drawContours(image, [approx], -1, (0, 255, 0), 2)

# 显示结果
cv2.imshow("Detected Rectangles", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 步骤：
  1. 灰度化：通过cv2.cvtColor()将图像转换为灰度图。
  2. 高斯模糊：使用cv2.GaussianBlur()进行模糊处理，减少噪声。
  3. Canny边缘检测：通过cv2.Canny()检测图像中的边缘。
  4. 查找轮廓：使用cv2.findContours()获取图像的外部轮廓。
  5. 轮廓逼近：通过cv2.approxPolyDP()简化轮廓形状，逼近为多边形。
  6. 筛选矩形：通过检测轮廓点数为4的多边形，计算长宽比并判断其是否接近正方形（长宽比介于0.8和1.2之间）。
  7. 绘制矩形：如果符合条件，使用cv2.drawContours()绘制绿色矩形框。

2. SSD模型物体检测：

接下来，使用TensorFlow加载预训练的SSD模型，并在图像上进行物体检测，最后绘制检测框：

# 加载预训练的SSD模型
model = tf.saved_model.load('ssd_mobilenet_v2_coco/saved_model')

# 读取图片
img = cv2.imread('image_path')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
input_tensor = tf.convert_to_tensor(img_rgb)
input_tensor = input_tensor[tf.newaxis, ...]  # 扩展维度

# 执行推理
model_fn = model.signatures['serving_default']
output_dict = model_fn(input_tensor)

# 获取检测结果
boxes = output_dict['detection_boxes'].numpy()[0]  # 边界框
scores = output_dict['detection_scores'].numpy()[0]  # 置信度
classes = output_dict['detection_classes'].numpy()[0]  # 标签

# 筛选出矩形
threshold = 0.5
for i in range(len(scores)):
    if scores[i] > threshold:
        y1, x1, y2, x2 = boxes[i]
        x1, y1, x2, y2 = int(x1 * img.shape[1]), int(y1 * img.shape[0]), int(x2 * img.shape[1]), int(y2 * img.shape[0])
        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 显示图像
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img_rgb)
plt.axis('off')
plt.show()

• 步骤：
  1. 加载SSD模型：通过tf.saved_model.load()加载一个预训练的SSD模型（ssd_mobilenet_v2_coco）。
  2. 读取图像：使用cv2.imread()加载图像，并将其转换为RGB格式。
  3. 图像处理：将图像转换为TensorFlow的张量格式，并扩展为批处理维度。
  4. 推理过程：通过模型的signatures['serving_default']执行推理，获得检测的边界框、置信度和标签。
  5. 筛选结果：根据置信度（scores）大于设定的阈值（0.5）进行筛选。
  6. 绘制边界框：使用cv2.rectangle()绘制绿色矩形框，将检测到的物体框出。
  7. 显示图像：使用matplotlib.pyplot显示处理后的图像。

总结：

• Canny边缘检测与轮廓分析：通过对图像边缘进行检测，使用轮廓分析找出矩形，并通过长宽比进一步筛选目标。
• SSD物体检测：利用TensorFlow预训练的SSD模型进行物体检测，并在图像中绘制检测到的物体框。

这两种方法可以结合使用，在某些应用中，如检测特定形状（矩形）和使用深度学习检测物体时，互为补充。

原文地址：https://blog.csdn.net/weixin_50563385/article/details/143867355

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！