这篇文章主要讲解了“python opencv如何实现图片缺陷检测”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“python opencv如何实现图片缺陷检测”吧！
让客户满意是我们工作的目标，不断超越客户的期望值来自于我们对这个行业的热爱。我们立志把好的技术通过有效、简单的方式提供给客户，将通过不懈努力成为客户在信息化领域值得信任、有价值的长期合作伙伴，公司提供的服务项目有：主机域名、虚拟主机、营销软件、网站建设、德州网站维护、网站推广。python是什么意思Python是一种跨平台的、具有解释性、编译性、互动性和面向对象的脚本语言，其最初的设计是用于编写自动化脚本，随着版本的不断更新和新功能的添加，常用于用于开发独立的项目和大型项目。
一、利用直方图的方式进行批量的图片缺陷检测（方法简单）
二、步骤（完整代码见最后）
2.1灰度转换（将原图和要检测对比的图分开灰度化）
灰度化的作用是因为后面的直方图比较需要以像素256为基准进行相关性比较
img = cv2.imread("0.bmp")
#原图灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
#循环要检测的图，均灰度化
for i in range(1, 6):
t1=cv2.cvtColor(cv2.imread(str(i)+".bmp"),cv2.COLOR_RGB2GRAY)2.2 直方图计算（结果其实是二维的图表--用画图的方式展示）
calcHist参数讲解
第一个参数： 必须为列表[],哪怕只有一个图片 ，image输入图像
channels:：传入图像的通道， 如果是灰度图像，那就不用说了，只有一个通道，值为0 ，如果是彩色图像（有3个通道），那么值为0,1,2,中选择一个，对应着BGR各个通道。这个值也得用[]传入。
mask：掩膜图像。 如果统计整幅图，那么为none 。主要是如果要统计部分图的直方图，就得构造相应的炎掩膜来计算。
histSize：灰度级的个数， 需要中括号，比如[256]
ranges:像素值的范围， 通常[0,256] ，有的图像如果不是0-256，比如说你来回各种变换导致像素值负值、很大，则需要调整后才可以。
#直方图计算的函数，反应灰度值的分布情况
hist = cv2.calcHist([gray], [0], None, [256], [0.0,255.0])
h2 = cv2.calcHist([t1], [0], None, [256], [0.0,255.0])
2.3 相关性比较
cv2.compareHist(H1, H2, method)
其中：
H1，H2 分别为要比较图像的直方图
method - 比较方式
比较方式（method）
相关性比较 (method=cv.HISTCMP_CORREL) 值越大，相关度越高，大值为1，最小值为0-----------------------只用一种固然不是很严谨，但这里做示范，把阈值调高也差不多（ 取大于等于0.9 ）
卡方比较(method=cv.HISTCMP_CHISQR 值越小，相关度越高，大值无上界，最小值0
巴氏距离比较(method=cv.HISTCMP_BHATTACHARYYA) 值越小，相关度越高，大值为1，最小值为0
#相关性计算，采用相关系数的方式
result = cv2.compareHist(hist,h2,method=cv2.HISTCMP_CORREL)
2.4 展示结果（判断阈值）
相关系数含义参考表
im = Image.open(str(i) + ".bmp")
draw = ImageDraw.Draw(im)
fnt = ImageFont.truetype(r'C:\Windows\Fonts\simsun.ttc', 30)
#这里视作》=0.9认为相似，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、完整代码
# -*- coding: UTF-8 -*-
import cv2
from PIL import Image, ImageDraw, ImageFont
img = cv2.imread("0.bmp")
#原图灰度转换
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
for i in range(1, 6):
t1=cv2.cvtColor(cv2.imread(str(i)+".bmp"),cv2.COLOR_RGB2GRAY)
#直方图计算的函数，反应灰度值的分布情况
hist = cv2.calcHist([gray], [0], None, [256], [0.0,255.0])
h2 = cv2.calcHist([t1], [0], None, [256], [0.0,255.0])
#相关性计算，采用相关系数的方式
result = cv2.compareHist(hist,h2,method=cv2.HISTCMP_CORREL)
im = Image.open(str(i) + ".bmp")
draw = ImageDraw.Draw(im)
fnt = ImageFont.truetype(r'C:\Windows\Fonts\simsun.ttc', 30)
#这里视作》=0.9认为相似，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")总结
感谢各位的阅读，以上就是“python opencv如何实现图片缺陷检测”的内容了，经过本文的学习后，相信大家对python opencv如何实现图片缺陷检测这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！