图像处理与缺陷检测流程
├── 1. 图像读取与预处理
│ ├── 读取原始图像
│ ├── 转换为灰度图
│ └── 调整图像大小
│
├── 2. 阈值处理
│ └── 应用固定阈值转换为二值图像
│
├── 3. 形态学操作
│ ├── 应用腐蚀操作消除小噪点
│ └── 应用反相阈值处理
│
├── 4. 边缘检测
│ └── 应用Canny算法检测图像边缘
│
├── 5. 轮廓提取与分析
│ ├── 查找图像中的所有轮廓
│ ├── 筛选有效轮廓（面积过滤）
│ └── 统计有效轮廓数量
│
├── 6. 结果可视化
│ ├── 创建处理流程拼接图
│ ├── 在原图上标记检测到的缺陷
│ │ ├── 绘制轮廓
│ │ ├── 添加缺陷数量文本
│ │ └── 添加时间戳
│ └── 显示处理结果
│
└── 7. 结果保存
└── 将标记后的图像保存到指定目录安装相应包，修改图片路径，以下代码即可直接运行：
#--Invert Threshold Detaiimport os
import cv2
import numpy as np
# 基于OpenCV的简单产品缺陷检测，可直接使用，记得把图片路径改成自己的。
#--variable:变量，控制原图大小。
IMAGE_SIZE = (500,500)
#--Threshold Detail
# THRESHOLD_VALUE:二分值，用于将灰度图像转换为二值图像
#普通阈值操作的分割值。当像素值大于 110时，将被设为MAX_VALUE（白色）；否则设为 0（黑色）
THRESHOLD_VALUE = 110
# 普通阈值操作中，超过阈值的像素将被设置为这个值（通常代表白色）。
MAX_VALUE = 255
# 反相阈值操作的分割值。当像素值小于 50时，将被设为INV_MAX_VALUE（白色）；否则设为 0（黑色）。
INV_THRESHOLD_VALUE = 50
INV_MAX_VALUE = 255
#--Canny Details,Canny 边缘检测算法的配置项，用于在图像中提取清晰的边缘。
THRESHOLD1 = 70
THRESHOLD2 = 100
#--contour properties,这两个参数用于控制在图像上绘制轮廓的视觉属性
# 轮廓线的颜色，采用 BGR（蓝、绿、红）格式。这里的(0, 0, 255)表示纯红色，常用于在图像中突出显示轮廓。
CON_COLOR = (0, 0, 255)
# 轮廓线的粗细，单位为像素。
CON_THICKNESS = 1
# THICKNESS = -1：填充轮廓内部（常用于可视化分割区域）
#--字体颜色
WHITE = (255, 255, 255)
BLACK = (0, 0, 0)
GREEN = (0, 255, 0)
RED = (0, 0, 255)
# 图像堆叠时每个子图像的目标尺寸（宽度 × 高度），用于将多个图像组合成网格显示。
STACK_IMG_SIZE =(200, 200)
#-------
# file = 'images/s1.png'，原图图片路径位置！！！
file = r'images/s1.png'
path = file
#1.读数据
imageOri = cv2.imread(path)
print(imageOri)
#2.灰度图，把 BGR 格式的彩色图像转换为灰度图像
image = cv2.cvtColor(imageOri, cv2.COLOR_BGR2GRAY)
#展示灰度图
#cv2.imshow('image_gray', image)
#cv2.waitKey(0)
#cv2.destroyAllWindows()
#3.resize，将原始图像和灰度图像调整为统一尺寸（IMAGE_SIZE），确保后续处理一致性。
imageOri = cv2.resize(imageOri, IMAGE_SIZE)
image = cv2.resize(image, IMAGE_SIZE)
#4.THRESHOLD操作，将灰度图像转换为二值图像
ret,thresh_basic = cv2.threshold(image, THRESHOLD_VALUE, MAX_VALUE, cv2.THRESH_BINARY)
# cv2.imshow('image_gray', thresh_basic)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
#5.形态学操作
# 功能解析
# 腐蚀操作（Erosion）：
# 目的：通过3×3的全 1 内核（kernel）缩小前景物体的边界，消除小噪点或分离相连物体。
# 参数：
# kernel：结构元素，控制腐蚀的范围和形状。
# iterations=1：执行 1 次腐蚀操作。
# 反相阈值（Inverse Threshold）：
# 目的：将腐蚀后的图像二值化并反转（前景变背景，背景变前景）。
# 参数：
# INV_THRESHOLD_VALUE=50：低于此值的像素设为INV_MAX_VALUE（通常为 255，白色）。
# INV_MAX_VALUE=255：高于阈值的像素设为 0（黑色）。
kernel = np.ones((3,3), np.uint8)
img_erosion = cv2.erode(thresh_basic, kernel, iterations = 1)
ret, thresh_inv = cv2.threshold(img_erosion,INV_THRESHOLD_VALUE,INV_MAX_VALUE,cv2.THRESH_BINARY_INV)
# cv2.imshow('image_gray', img_erosion)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
#6.Canny边缘检测
# 功能解析
# 输入：img_erosion（经过腐蚀处理的二值图像）。
# 输出：edged（包含检测到的边缘的二值图像）。
# 参数：
# THRESHOLD1（低阈值）：控制弱边缘的保留条件。
# THRESHOLD2（高阈值）：控制强边缘的定义标准。
edged = cv2.Canny(img_erosion,THRESHOLD1,THRESHOLD2)
# cv2.imshow('edged', edged)
# cv2.waitKey(0)
# cv2.destroyAllWindows()
#7.轮廓
# 功能解析
# 输入：img_erosion（经过腐蚀处理的二值图像）。
# 输出：
# contours：检测到的轮廓列表，每个轮廓由一系列点组成。
# h（或hierarchy）：轮廓的层次结构信息（嵌套关系）。
# 参数：
# cv2.RETR_TREE：检索所有轮廓并重建完整的嵌套层次结构。
# cv2.CHAIN_APPROX_SIMPLE：仅保留轮廓的端点，压缩水平、垂直和对角线方向的冗余点。
contours,h = cv2.findContours(img_erosion,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
#--Image Stack,将上列图像整合到一起然后画出
# 当前功能
# 将各个处理阶段的图像（灰度图、阈值图、腐蚀图、反相阈值图、边缘图）调整为统一尺寸（STACK_IMG_SIZE）。
# 准备用于后续的水平或垂直拼接。
font = cv2.FONT_HERSHEY_SIMPLEX
imageRz = cv2.resize(image, STACK_IMG_SIZE)
thresh_basicRz = cv2.resize(thresh_basic, STACK_IMG_SIZE)
img_erosionRz = cv2.resize(img_erosion, STACK_IMG_SIZE)
thresh_invRz = cv2.resize(thresh_inv, STACK_IMG_SIZE)
edgedRz = cv2.resize(edged, STACK_IMG_SIZE)
#给图片取名写文字
# 当前功能
# 文字标注：在每个图像的左上角添加描述性文字。
# 水平拼接：将所有图像沿水平方向（axis=1）拼接成一个大图像。
imageRz = cv2.putText(imageRz,'GrayScale',(5,15),font,0.5,WHITE,1,cv2.LINE_AA)
thresh_basicRz = cv2.putText(thresh_basicRz,'ThresholdBasic',(5,15),font,
0.5,WHITE,1,cv2.LINE_AA)
img_erosionRz = cv2.putText(img_erosionRz,'Morphology-Erosion',(5,15),font,
0.5,WHITE,1,cv2.LINE_AA)
thresh_invRz = cv2.putText(thresh_invRz,'Threshold-mode INV',(5,15),font,
0.5,BLACK,1,cv2.LINE_AA)
edgedRz = cv2.putText(edgedRz,'Canny Edged',(5,15),font,
0.5,WHITE,1,cv2.LINE_AA)
numpy_horizontal_concat = np.concatenate((imageRz,thresh_basicRz,img_erosionRz,
thresh_invRz,edgedRz),axis=1)
# 当前功能
# 显示处理流程：展示包含多个处理步骤的拼接图像。
# 轮廓计数：统计检测到的轮廓数量。
# 缺陷标记：
# 若检测到轮廓，在原图上绘制所有轮廓并标注缺陷数量。
# 若未检测到轮廓，显示 "Unable to detect defect"。
# 优化建议
#画图
cv2.imshow('Filtering...',numpy_horizontal_concat)
#get total contours，找轮廓的返回值，计算
num_of_con = str(len(contours) - 1)
print("Number of Contours found = " + num_of_con)
if len(contours) > 1:
print('=========================')
print('= MARKINGS DETECTED =')
print('=========================\n\n')
# show original img
# cv2.imshow('Original Image',imageOri)
# draw contours on original img
if int(num_of_con) != 0:
for i in range(int(num_of_con)):
highlighted_img = cv2.drawContours(imageOri,contours,i,CON_COLOR,CON_THICKNESS)
highlighted_img = cv2.putText(highlighted_img,'Approximately {} defect(s) detected'.
format(num_of_con),(5,15),font,0.5,GREEN,1,cv2.LINE_AA)
else:
highlighted_img = cv2.putText(imageOri,'Unable to detect defect',(5,15),font,
0.5,RED,2,cv2.LINE_AA)
# show markings highlighted img，结果保存：将标记后的图像保存到Output Images文件夹，文件名格式为原图名_DEFECTS_HIGHLIGHTED.png。
cv2.imshow('Highlighted Defect',highlighted_img)
# save image containing highlighted defect
cv2.imwrite('Output Images/{}_DEFECTS_HIGHLIGHTED.png'.format(file.split('.')[0]),highlighted_img)
cv2.waitKey(0)
cv2.destroyAllWindows()展示效果：
