[PYTHON] Ich habe ein Programm erstellt, das die Fehlersuche in Sekunden löst
Adventskalender für Fujitsu Systems Web Technology 2019 Veröffentlicht am 16. Tag. Der Inhalt des Artikels ist die persönliche Meinung, und der Inhalt des Schreibens liegt in der eigenen Verantwortung des Autors. Es spielt keine Rolle, zu welcher Organisation Sie gehören.
Einführung
Diesmal am 16. Tag bin ich mit der Tatsache vertraut, dass ich die Fehlersuche nach Saiseria nie alleine abgeschlossen habe.
** Ein Programm, das den Unterschied zwischen zwei Bildern erkennen und auf leicht verständliche Weise anzeigen kann **
Ich würde gerne darüber schreiben, wie man macht
Grobes Bilddiagramm
Montageumgebung
- OS
- MacOS Mojave10.14.5
- Sprache
- python 3.7.4
- Bibliothek
- openCV 3.4.2
- NumPy 1.17.4
- matplotlib 3.1.1
- Andere
- jupyter notebook 6.0.1
- anaconda navigator
Vorbereitungen
(Es gibt keine Garantie, aber wenn Sie Python und verschiedene Bibliotheken verwenden können, funktioniert es normal. Schauen Sie also einfach mal rein.)
- Fügen Sie ein Tool namens Anaconda Navigator ein, das Anaconda auf leicht verständliche Weise handhaben kann.
- Ich denke, es ist in Ordnung, Python parallel zu installieren (nicht unbedingt parallel).
- Verwenden Sie den Anaconda-Navigator, um Jupyter und verschiedene Bibliotheken darin abzulegen.
(Die detaillierte Installationsmethode lautet '[jupyter-Installation des Anaconda-Navigators](https://www.google.com/search?q=anaconda+navigator+jupyter+%E3%82%A4%E3%83%B3%E3%82%B9 % E3% 83% 88% E3% 83% BC% E3% 83% AB) 'Ich denke, dass verschiedene Dinge herauskommen werden.)
Quellenkommentar
Hier ist der eigentliche Inhalt der Quelle.
Es gibt drei Hauptteile
- Erstellen Sie ein Maskenbild des Unterschieds
- Bringen Sie Farbe auf den Maskenteil des Maskenbildes
- Ändern Sie die Transparenz des Maskenbildes und kombinieren Sie
Und die Maus
Import- oder Variableneinstellung
import cv2, matplotlib
import numpy as np
from IPython.display import Image, display_png
#Originalbild 1
img_01 = "sample1.png "
#Originalbild 2
img_02 = "sample2.png "
#Bitte geben Sie den Namen ein, den Sie dem Ausgabebild geben möchten
outImg = "output.png "
Erstellen Sie ein Maskenbild des Unterschieds
#Lesen Sie das Originalbild 1 in Farbe
img_src01 = cv2.imread(img_01, 1)
#Lesen Sie das Originalbild 2 in Farbe
img_src02 = cv2.imread(img_02, 1)
#Gemischte Normalverteilung(Gaussian Mixture)Es scheint sich um einen Algorithmus zur Aufteilung des Vordergrund- / Hintergrundbereichs zu handeln.
bg = cv2.bgsegm.createBackgroundSubtractorMOG()
#Maskenbild erzeugen
mask = bg.apply(img_src01)
mask = bg.apply(img_src02)
#Ausgabemaskenbild
cv2.imwrite("output/machigai_mask.png ", mask)
print("Originalbild 1")
display_png(Image(img_01))
print("Originalbild 2")
display_png(Image(img_02))
print("Maskenbild")
display_png(Image("output/machigai_mask.png "))
Das Ausgabeergebnis hier ist wie folgt.
Bringen Sie Farbe auf den Maskenteil des Maskenbildes
mask_img = cv2.imread("output/machigai_mask.png ", 1)
#Ersetzen Sie den weißen Teil des Bildes durch Rot
red = [240, 20, 20]
white = [255, 255, 255]
mask_img[np.where((mask_img == white).all(axis=2))] = red
# BGR to RGB
mask_img = cv2.cvtColor(mask_img, cv2.COLOR_BGR2RGB)
#Speichern Sie das Ergebnis.
cv2.imwrite("output/color_mask_img.png ", mask_img)
color_mask_img = cv2.imread("output/color_mask_img.png ", 1)
display_png(Image("output/color_mask_img.png "))
Das Ausgabeergebnis hier ist wie folgt.
Ändern Sie die Transparenz des Maskenbildes und kombinieren Sie
Wenn Sie dies am Ende tun können, wird es abgeschlossen.
# src1 =Originalbild 1, src2=Maskenbild, Alpha(beta) =Es scheint gut zu sein, es auf ein Verhältnis von insgesamt 1, Gamma, einzustellen=Es fühlte sich gut an, als es 0 war
diff_image = cv2.addWeighted(src1=img_src01,alpha=0.3,src2=color_mask_img,beta=0.7,gamma=0)
cv2.imwrite(outImg, diff_image)
display_png(Image(outImg))
Ja, es ist geschafft
Ich habe es mit einem Bild versucht, das wie ein Fehler aussieht
Aus diesem Grund habe ich nach Fehlern gesucht und sie gemacht. Bitte versuchen Sie es zuerst selbst (es gibt 6 Fehler)
Hast du den Fehler gefunden?
Schauen wir uns als nächstes die Ergebnisse der vollautomatischen Eierbrechmaschine an, die vom Fehlersucher gelöst wurde.
es ist hier
Wie ist das? Es ist eine großartige richtige Antwortrate.
Die Erkennungsgenauigkeit von **, dass die Perücke des Lehrers in Wassermelone ** geändert wurde, ist jedoch nicht sehr gut.
Informationen zur Hintergrunddifferenzmethode
In erster Linie ist diese Hintergrunddifferenzmethode Dies ist eine Methode zum Erkennen von sich bewegenden Objekten auf einem bewegten Bild.
Zusamenfassend
Mit einer Festkommakamera ** Ah, Leute kamen vorbei ** Es ist eine Möglichkeit, so etwas zu beurteilen
Es gibt zwei Hauptprobleme bei der Verwendung dieser Hintergrunddifferenzmethode zum Auffinden von Fehlern.
- Die Größe der zu unterscheidenden Bilder muss gleich sein
- Wenn die Pixel leicht nicht ausgerichtet sind, werden sie alle unterschiedlich beurteilt.
Wenn Sie also versuchen, etwas herzustellen, das für allgemeine Zwecke verwendet werden kann,
- Bitte korrigieren Sie eine leichte Abweichung
- Korrigieren Sie auch die Neigung
- Korrigieren Sie die Größe
- Die Erkennungsgenauigkeit kann jedoch bis zu einem gewissen Grad garantiert werden
Ich habe das Gefühl, ich muss solche Software machen ()
Schließlich
- Bitte korrigieren Sie eine leichte Abweichung
- Korrigieren Sie auch die Neigung
- Korrigieren Sie die Größe
- Die Erkennungsgenauigkeit kann jedoch bis zu einem gewissen Grad garantiert werden
Lassen Sie uns unser Bestes tun, um diese Software das nächste Mal zu erstellen (weiße Augen)
Referenz
Recommended Posts