улучши кусок кода clone = image.copy() imgFloat = clone.astype(np.float64) / 255.…
- User
улучши кусок кода
clone = image.copy() imgFloat = clone.astype(np.float64) / 255. kChannel = 1 - np.max(imgFloat, axis=2) kChannel = (255 * kChannel).astype(np.uint8) _, thresh = cv2.threshold(kChannel, 190, 255, cv2.THRESH_BINARY) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5)) close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=2) cnts = cv2.findContours(close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnts = cnts[0] if len(cnts) == 2 else cnts[1] for c in cnts: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.04 * peri, True) x,y,w,h = cv2.boundingRect(approx) x,y,w,h = floor(x), floor(y), ceil(w), ceil(h) area = cv2.contourArea(c) ar = w / float(h) if len(approx) == 4 and area > 9000 and ar < 1.3: NoCode = True cropped_image = image[y-5:y+h+5, x-5:x+w+5] height, width, cannal = cropped_image.shape print("height: "+str(height)) print("width: "+str(width)) if height==0 or width==0: continue - Assistant
Конечно! Давайте улучшим код, сделав его более читаемым и эффективным. Мы можем добавить комментарии для ясности, извлечь повторяющиеся части в функции и устранить ненужные преобразования. Также можно использовать более описательные имена, чтобы улучшить понимание того, что делает код.
import cv2 import numpy as np from math import floor, ceil def preprocess_image(image, threshold_value=190): """Подготовка изображения и бинаризация.""" clone = image.copy() img_float = clone.astype(np.float64) / 255.0 k_channel = 1 - np.max(img_float, axis=2) k_channel = (255 * k_channel).astype(np.uint8) _, thresh = cv2.threshold(k_channel, threshold_value, 255, cv2.THRESH_BINARY) return thresh def close_gaps(binary_image, kernel_size=(5, 5), iterations=2): """Закрытие пробелов на изображении с использованием морфологической операции 'closing'.""" kernel = cv2.getStructuringElement(cv2.MORPH_RECT, kernel_size) closed = cv2.morphologyEx(binary_image, cv2.MORPH_CLOSE, kernel, iterations=iterations) return closed def find_contours(binary_image): """Поиск контуров на бинарном изображении.""" contours = cv2.findContours(binary_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return contours[0] if len(contours) == 2 else contours[1] def process_image(image): """Основная функция обработки изображения.""" thresh = preprocess_image(image) close = close_gaps(thresh) contours = find_contours(close) for contour in contours: peri = cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, 0.04 * peri, True) x, y, w, h = cv2.boundingRect(approx) x, y, w, h = floor(x), floor(y), ceil(w), ceil(h) area = cv2.contourArea(contour) aspect_ratio = w / float(h) if len(approx) == 4 and area > 9000 and aspect_ratio < 1.3: # Код восстановления или последующей обработки cropped_image = image[max(0, y-5):y+h+5, max(0, x-5):x+w+5] height, width, _ = cropped_image.shape print(f"height: {height}, width: {width}") if height > 0 and width > 0: # Дополнительная обработка cropped_image, если требуется pass # Пример использования: # image = cv2.imread('path_to_your_image.jpg') # process_image(image)Изменения и улучшения:
- Функции: Извлечены повторяющиеся части в функции для лучшей структурированности и переиспользования кода.
- Улучшение чтения: Добавлены комментарии и пояснительные переменные, чтобы пояснить шаги обработки.
- Безопасная работа с индексами: Использование
max(0, ...)при создании срезов маскирует исключения, когда координаты выходят за границы изображения. - Использование
f-string: Улучшено форматирование строк при печати.
- User
задай оптимальные параметры для поска QR CODE
- Assistant
Поиск и детекция QR-кодов на изображении могут быть улучшены за счёт оптимизации параметров предварительной обработки и анализа контуров. Эти параметры зависят от условий захвата изображения — освещённости, контраста и качества. Вот улучшенные рекомендации с акцентом на детекцию QR-кодов:
-
Конвертация изображения в оттенки серого даст более стабильные результаты поиска контуров:
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) -
Пороговая обработка: Ради детекции QR-кодов оптимальным значением для
cv2.thresholdбудетthreshold_value=120. Это значение может варьироваться в зависимости от освещения и контраста в изображении._, thresh = cv2.threshold(gray_image, 120, 255, cv2.THRESH_BINARY) -
Морфологические операции: Попробуйте другие размеры структурирующих элементов и количество итераций, например,
(3, 3)сiterations=1, чтобы минимизировать шум и сохранить более мелкие структуры.kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=1) -
Параметры для контуров: Эти параметры помогут выделить более квадратные области, характерные для QR-кодов:
for contour in contours: peri = cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, 0.02 * peri, True) # Уменьшенное значение 0.02 x, y, w, h = cv2.boundingRect(approx) area = cv2.contourArea(contour) aspect_ratio = w / float(h) # Параметры, более специфичные для QR-кодов if len(approx) == 4 and area > 1000 and 0.85 < aspect_ratio < 1.15: cropped_image = image[max(0, y-5):y+h+5, max(0, x-5):x+w+5] # Процессинг найденного региона -
Используйте встроенные функции:
cv2предоставляет специальную функцию для детекции QR-кодов, которая может быть более эффективной:detector = cv2.QRCodeDetector() data, bbox, _ = detector.detectAndDecode(image) if bbox is not None: print("QR Code detected and decoded:", data) # bbox - содержит координаты границ QR-кода
Эти настройки дадут более точную и быструю детекцию QR-кодов, но их следует настраивать в зависимости от конкретных условий съёмки.
-