一、利用直方圖的方式進行批量的圖片缺陷檢測（方法簡單）

二、步驟（完整代碼見最后）

2.1灰度轉(zhuǎn)換（將原圖和要檢測對比的圖分開灰度化）

灰度化的作用是因為后面的直方圖比較需要以像素256為基準(zhǔn)進行相關(guān)性比較

img = cv2.imread("0.bmp")
#原圖灰度轉(zhuǎn)換
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

#循環(huán)要檢測的圖，均灰度化
for i in range(1, 6):
 t1=cv2.cvtColor(cv2.imread(str(i)+".bmp"),cv2.COLOR_RGB2GRAY)

2.2 直方圖計算（結(jié)果其實是二維的圖表--用畫圖的方式展示）

calcHist參數(shù)講解

• 第一個參數(shù)： 必須為列表[],哪怕只有一個圖片 ，image輸入圖像
• channels:：傳入圖像的通道， 如果是灰度圖像，那就不用說了，只有一個通道，值為0 ，如果是彩色圖像（有3個通道），那么值為0,1,2,中選擇一個，對應(yīng)著BGR各個通道。這個值也得用[]傳入。
• mask：掩膜圖像。 如果統(tǒng)計整幅圖，那么為none 。主要是如果要統(tǒng)計部分圖的直方圖，就得構(gòu)造相應(yīng)的炎掩膜來計算。
• histSize：灰度級的個數(shù)， 需要中括號，比如[256]
• ranges:像素值的范圍， 通常[0,256] ，有的圖像如果不是0-256，比如說你來回各種變換導(dǎo)致像素值負(fù)值、很大，則需要調(diào)整后才可以。
  

 #直方圖計算的函數(shù)，反應(yīng)灰度值的分布情況
    hist = cv2.calcHist([gray], [0], None, [256], [0.0,255.0])

    h1 = cv2.calcHist([t1], [0], None, [256], [0.0,255.0])

2.3 相關(guān)性比較

cv2.compareHist(H1, H2, method)

其中：

• H1，H2 分別為要比較圖像的直方圖
• method - 比較方式
• 比較方式（method）
• 相關(guān)性比較 (method=cv.HISTCMP_CORREL) 值越大，相關(guān)度越高，最大值為1，最小值為0-----------------------只用一種固然不是很嚴(yán)謹(jǐn)，但這里做示范，把閾值調(diào)高也差不多（ 取大于等于0.9 ）
• 卡方比較(method=cv.HISTCMP_CHISQR 值越小，相關(guān)度越高，最大值無上界，最小值0
• 巴氏距離比較(method=cv.HISTCMP_BHATTACHARYYA) 值越小，相關(guān)度越高，最大值為1，最小值為0
• #相關(guān)性計算，采用相關(guān)系數(shù)的方式
•     result = cv2.compareHist(hist,h1,method=cv2.HISTCMP_CORREL)

2.4 展示結(jié)果（判斷閾值）

相關(guān)系數(shù)含義參考表

 im = Image.open(str(i) + ".bmp")

 draw = ImageDraw.Draw(im)
 fnt = ImageFont.truetype(r'C:\Windows\Fonts\simsun.ttc', 30)
 #這里視作》=0.9認(rèn)為相似，即合格
 if result >=0.9:
  draw.text((5, 10), u'合格', fill='red', font=fnt)
 else:
  draw.text((5, 10), u'不合格', fill='red', font=fnt)
 im.show("result" +str(i) + ".png")

三、完整代碼

# -*- coding: UTF-8 -*-
import cv2
from PIL import Image, ImageDraw, ImageFont

img = cv2.imread("0.bmp")
#原圖灰度轉(zhuǎn)換
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

for i in range(1, 6):
 t1=cv2.cvtColor(cv2.imread(str(i)+".bmp"),cv2.COLOR_RGB2GRAY)

 #直方圖計算的函數(shù)，反應(yīng)灰度值的分布情況
 hist = cv2.calcHist([gray], [0], None, [256], [0.0,255.0])

 h1 = cv2.calcHist([t1], [0], None, [256], [0.0,255.0])
 #相關(guān)性計算，采用相關(guān)系數(shù)的方式
 result = cv2.compareHist(hist,h1,method=cv2.HISTCMP_CORREL)
 im = Image.open(str(i) + ".bmp")

 draw = ImageDraw.Draw(im)
 fnt = ImageFont.truetype(r'C:\Windows\Fonts\simsun.ttc', 30)
 #這里視作》=0.9認(rèn)為相似，即合格
 if result >=0.9:
  draw.text((5, 10), u'合格', fill='red', font=fnt)
 else:
  draw.text((5, 10), u'不合格', fill='red', font=fnt)
 im.show("result" +str(i) + ".png")

參考博文：

Python-Opencv中用compareHist函數(shù)進行直方圖比較進行對比圖片：

http://www.dbjr.com.cn/article/184210.htm

OpenCV-Python 直方圖-1：查找、繪制和分析｜二十六： http://baijiahao.baidu.com/s?id=1655424859576397139&wfr=spider&for=pc
希望幫助能大家理解直方圖以及比較函數(shù)作用??！!

總結(jié)

到此這篇關(guān)于python opencv實現(xiàn)圖片缺陷檢測（講解直方圖以及相關(guān)系數(shù)對比法）的文章就介紹到這了,更多相關(guān)python opencv 缺陷檢測內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論