用python做一个简单软件
前言
这是一个课设，用python做一个扫描王软件
我主要做的GUI部分，记录分享一下。也是第一次用python做小软件，python的方便果然是名不虚传
遇到问题
1.python版本
下载了python3.7的编译器
由于最终软件要在win7上运行，即32位的，因此下载了python3.7的32位
打包后遇到问题：w10打包的不能在w7上运行—–>下载python32位的解释器
在w10执行python代码，参考博客： https://blog.csdn.net/qq_27280237/article/details/84644900
2.opencv降级
参考博客： https://www.cnblogs.com/guobin-/p/10842486.html
3.安装打包软件pyinstaller
参考博客： https://blog.csdn.net/Nire_Yeyu/article/details/104683888/
https://blog.csdn.net/Nire_Yeyu/article/details/104683888/
https://www.cnblogs.com/xbblogs/p/9682708.html
python代码
1.GUI部分
2.算法部分
import cv2import numpy as npfrom math import sqrtimport cmathfrom PIL import Image, ImageFilterpath_save='yes'def varible(ss): global path_save path_save=ss print(path_save)def rectify(h): h = h.reshape((4,2)) #改变数组的形状，变成4*2形状的数组 hnew = np.zeros((4,2), dtype = np.float32) #创建一个4*2的零矩阵 #确定检测文档的四个顶点 add = h.sum(1) hnew[0] = h[np.argmin(add)] #argmin()函数是返回最大数的索引 hnew[2] = h[np.argmax(add)] diff = np.diff(h, axis = 1) #沿着制定轴计算第N维的离散差值 hnew[1] = h[np.argmin(diff)] hnew[3] = h[np.argmax(diff)] return hnew# 拟合曲线顶点的去中心化def approxCenter(approx): sum_x,sum_y = 0,0 approx_center = approx; for a in approx:sum_x = sum_x + a[0][0];sum_y = sum_y + a[0][1]; avr_x = sum_x/len(approx); avr_y = sum_y/len(approx); for a in approx_center:a[0][0] = a[0][0] - avr_xa[0][1] = a[0][1] - avr_y return approx_center,avr_x,avr_y#将顶点极坐标化，返回极角def approxTheta(approx): cn = complex(approx[0][0],approx[0][1]) #得到每个点相对中心的直角坐标 r,theta = cmath.polar(cn) #将直角坐标转为极坐标，得到极角 return theta# 合并拟合多边形顶点中的相近点# approx：拟合多边形（n维数组）# M：距离阈值def approxCombine(approx,M): del_indexs = [] for i in range(len(approx)):if i not in del_indexs: #判断是否是已删点，如果是则跳过计算 for j in range(i+1,len(approx)): if j not in del_indexs: #判断是否是已删点，如果是则跳过计算#计算两点距离dis = sqrt((approx[i][0][0] - approx[j][0][0])**2 + (approx[i][0][1] - approx[j][0][1])**2)if dis 1时，图像对比度增强def gamma_trans(input_image, gamma): img_norm = input_image/255.0 img_gamma = np.power(img_norm,gamma)*255.0 img_gamma = img_gamma.astype(np.uint8) return img_gamma# 彩色直方图均衡（对比度增强）（效果一般）def equalHistColor(img_in): b, g, r = cv2.split(img_in) b1 = cv2.equalizeHist(b) g1 = cv2.equalizeHist(g) r1 = cv2.equalizeHist(r) img_out = cv2.merge([b1,g1,r1]) return img_out# 彩色伽马变换（对比度增强）（效果较好）def gammaColor(img_in,gamma): b, g, r = cv2.split(img_in) b1 = gamma_trans(b,gamma) g1 = gamma_trans(g,gamma) r1 = gamma_trans(r,gamma) img_out = cv2.merge([b1,g1,r1]) return img_out# 亮度调节，原理：将原图与一张全黑图像融合，调节融合的比例，即为亮度调节# c为原图所占比例，c > 1时，亮度增强def light_img(img1, c): rows, cols, channels = img1.shape # 新建全零(黑色)图片数组:np.zeros(img1.shape, dtype=uint8) blank = np.zeros([rows, cols, channels], img1.dtype) dst = cv2.addWeighted(img1, c, blank, 1-c, 0) #两幅图像融合，当1-c小于0时，亮度增强 return dstdef solve(image): # print(path_save) # path_save='C:/Users/53055/Desktop/pythonProject3' #创建原始图像的副本 orig = image.copy() orig_w, orig_h, ch = orig.shape # 读取大小 #重新设置图片的大小，以便对其进行处理:选择最佳维度，以便重要内容不会丢失 image = cv2.resize(image, (1500,880)) orig_h_ratio = orig_h / 1500.0 # 保存缩放比例 orig_w_ratio = orig_w / 880.0 # 保存缩放比例 #对图像进行灰度处理，并进而进行行高斯模糊处理 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5,5), 0) #使用canny算法进行边缘检测 edged = cv2.Canny(blurred,0,50) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2)) edged = cv2.dilate(edged, kernel) # 膨胀 #创建canny算法处理后的副本 orig_edged = edged.copy() #找到边缘图像中的轮廓，只保留最大的，并初始化屏幕轮廓 #findContours()函数用于从二值图像中查找轮廓 # RETR_LIST：寻找所有轮廓 # CHAIN_APPROX_NONE：输出轮廓上所有的连续点 contours, hierarchy = cv2.findContours(edged, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE) approxs = [] for c in contours:p = cv2.arcLength(c, True) #计算封闭轮廓的周长或者曲线的长度approx = cv2.approxPolyDP(c, 0.02*p, True) #指定0.02*p精度逼近多边形曲线，这种近似曲线为闭合曲线,因此参数closed为Trueapprox_cmb = approxCombine(approx,60) # 合并轮廓中相近的坐标点if len(approx_cmb) == 4: #如果是四边 approxs.append(approx_cmb) #该轮廓为可能的目标轮廓 # 将轮廓的拟合多边型按面积大小降序排序 approxs = sorted(approxs, key = cv2.contourArea, reverse = True) # 选取面积最大的四边形轮廓 target = approxs[0] # 将轮廓映射到原图上 for t in target:t[0][0] = t[0][0] * orig_h_ratiot[0][1] = t[0][1] * orig_w_ratio # 在原灰度图上绘制寻找到的目标四边形轮廓 orig_marked = orig # all_approxs = cv2.cvtColor(temp, cv2.COLOR_GRAY2RGB) cv2.drawContours(orig_marked,[target],-1,(0,255,0),8) # cv2.imshow('orig_marked',orig_marked) # 保存圈出轮廓的图 cv2.imwrite(path_save + '/img10.jpg', orig_marked) # for i in range(len(approxs)): # cv2.drawContours(all_approxs,[approxs[i]],-1,(0,255,0),2) #将目标轮廓映射到800*800四边形（用于透视变换） approx = rectify(target) pts2 = np.float32([[0,0],[800,0],[800,800],[0,800]]) # 透视变换 # 使用gtePerspectiveTransform函数获得透视变换矩阵：approx是源图像中四边形的4个定点集合位置；pts2是目标图像的4个定点集合位置 M = cv2.getPerspectiveTransform(approx, pts2) # 使用warpPerspective函数对源图像进行透视变换，输出图像dst大小为800*800 dst = cv2.warpPerspective(orig, M, (800,800)) # 进行位置校正、裁剪（透视变换）后的图像 # cv2.imshow("trans",dst) cv2.imwrite(path_save + '/img11.jpg', dst) return dst# 彩色限制对比度自适应直方图均衡化(图像亮度均衡)def autoEqualHistColor(img_in): b, g, r = cv2.split(img_in) clahe = cv2.createCLAHE(1,tileGridSize = (8,8)) b1 = clahe.apply(b) g1 = clahe.apply(g) r1 = clahe.apply(r) img_out = cv2.merge([b1,g1,r1]) return img_out# 手动调节亮度和对比度def light(dst): data=[110,220] def l_c_regulate(x):l = cv2.getTrackbarPos('light', 'light & contrast regulate')gamma = cv2.getTrackbarPos('contrast', 'light & contrast regulate')lighted = light_img(img_lc_regulate, l / 100.0) # 亮度调节gammaed = gammaColor(lighted, gamma / 100.0) # gamma变换cv2.imshow("light & contrast regulate", gammaed)data=[l,gamma]return gammaed img_lc_regulate = dst # 复制原图 cv2.namedWindow('light & contrast regulate') #创建window cv2.createTrackbar('light', 'light & contrast regulate', 110, 500, l_c_regulate) #亮度滑动条 cv2.createTrackbar('contrast', 'light & contrast regulate', 210, 500, l_c_regulate) #对比度滑动条 l_c_regulate(0) #先运行一次回调函数 while(1):k=cv2.waitKey(1)&0xFFif k==27: #ECS键 cv2.destroyWindow('light & contrast regulate') lighted = light_img(img_lc_regulate, data[0] / 100.0) # 亮度调节 gammaed = gammaColor(lighted, data[1] / 100.0) # gamma变换 break return gammaed# 素描滤镜def mirror1(img_in): img_in = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY) # 转为灰度图 img_in = cv2.equalizeHist(img_in) # 直方图均衡化 inv = 255- img_in # 图像取反 blur = cv2.GaussianBlur(inv, ksize=(5, 5), sigmaX=50, sigmaY=50) # 高斯滤波 res = cv2.divide(img_in, 255- blur, scale= 255) #颜色减淡混合 res = gamma_trans(res,2) #伽马变换，增强对比度 return res#复古滤镜(运行超级慢)def mirror2(img_in): img_in = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY) # 转为灰度图 im_color = cv2.applyColorMap(img_in, cv2.COLORMAP_PINK) return im_color# 反色滤镜def mirror3(img_in): inv = 255- img_in # 图像取反 return inv# 边界滤镜（利用canny算子实现）def mirror4(img_in): img_in = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY) img_f = cv2.Canny(img_in,100,200) return img_f # cv2.imshow('img_f',img_f)def mirror5(dst,type): img_f = Image.fromarray(cv2.cvtColor(dst,cv2.COLOR_BGR2RGB)) if type ==1:img_f = img_f.filter(ImageFilter.EMBOSS) #浮雕滤镜 elif type==2:img_f = img_f.filter(ImageFilter.BLUR) #模糊滤镜 img_f = cv2.cvtColor(np.asarray(img_f),cv2.COLOR_RGB2BGR) return img_f # # 以下为PIL库的部分滤镜效果 # # # OpenCV的图片格式转换成PIL.Image格式 # img_f = Image.fromarray(cv2.cvtColor(dst,cv2.COLOR_BGR2RGB)) # # # 滤镜处理 # # ImageFilter.BLUR 模糊滤镜 # # ImageFilter.SHARPEN 锐化滤镜 # # ImageFilter.SMOOTH 平滑滤镜 # # ImageFilter.SMOOTH_MORE 平滑滤镜(阀值更大) # # ImageFilter.EMBOSS 浮雕滤镜 # # ImageFilter.FIND_EDGES 边界滤镜 # # ImageFilter.EDGE_ENHANCE 边界加强 # # ImageFilter.EDGE_ENHANCE_MORE 边界加强(阀值更大) # # ImageFilter.CONTOUR 轮廓滤镜 # img_f = img_f.filter(ImageFilter.EMBOSS) #浮雕滤镜 # # img_f = img_f.filter(ImageFilter.CONTOUR) #素描滤镜 # # img_f = img_f.filter(ImageFilter.FIND_EDGES) #边界滤镜 # # # PIL.Image转换成OpenCV格式 # img_f = cv2.cvtColor(np.asarray(img_f),cv2.COLOR_RGB2BGR)def yuzhi(img_in): # 二值化阈值调节示例 # 关于二值化，用身份证照片测试时，全局阈值进行二值化效果还可以，但如果存在灰度不均匀，会出现部分信息缺失 # OTSU自动阈值法的效果也不错（效果不错的前提是图像灰度均匀，本质是一种全局最佳阈值的方法，依旧存在全局阈值的缺点） # 使用区域自适应阈值时，对不同灰度的区域有很好的效果，但如果窗口过小，会导致噪点被放大，可以通过调节偏移阈值去除噪点 # 窗口调大到一定值时，效果等同于使用全局阈值，因此最终使用区域自适应阈值方法进行二值化 # demo中使用滑块调节自适应阈值窗口的size， # 关于消除噪点，尝试过高斯滤波、膨胀，效果不好 data=[57,30] def bin_regulate(x):data[0] = cv2.getTrackbarPos('auto size', 'bin regulate') # 自适应阈值窗口大小if data[0] == 0: data[0] = 1 # 窗口最小大小为3data[1] = cv2.getTrackbarPos('threshold', 'bin regulate') # 自适应阈值偏移量# img_bin = cv2.GaussianBlur(img_bin, ksize=(3, 3), sigmaX=100, sigmaY=100) #高斯滤波# 固定全局阈值二值化# ret,img_bin = cv2.threshold(img_bin, t, 255, cv2.THRESH_BINARY)# OTSU自动阈值# ret,img_bin = cv2.threshold(img_bin, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)# 以下两种区域自适应阈值方法类似# 自适应阈值二值化（均值）：第二个参数为领域内均值，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于均值减去这个常数# img_bin = cv2.adaptiveThreshold(img_bin, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 21, 2)# 自适应阈值二值化(高斯窗口)第二个参数为领域内像素点加权和，权重为一个高斯窗口，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于加权值减去这个常数img_bin = cv2.adaptiveThreshold(img_bin_i, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 2 * data[0] + 1, data[1])# 膨胀# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# img_bin = cv2.dilate(img_bin,kernel) #膨胀# 中值滤波# img_bin = cv2.medianBlur(img_bin, 2*blur_size+1)cv2.imshow("bin regulate", img_bin)pass img_gray = cv2.cvtColor(img_in, cv2.COLOR_BGR2GRAY) # 转为灰度图 img_bin_i = img_gray # 复制灰度图 cv2.namedWindow('bin regulate') # 创建window cv2.createTrackbar('auto size', 'bin regulate', 57, 400, bin_regulate) # 自适应阈值的窗口size值 cv2.createTrackbar('threshold', 'bin regulate', 30, 100, bin_regulate) # 自适应阈值偏移量 bin_regulate(0) # 先运行一次回调函数 while (1):k = cv2.waitKey(1) & 0xFFif k == 27: # ECS键 img_bin = cv2.adaptiveThreshold(img_bin_i, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 2 * data[0] + 1, data[1]) cv2.destroyWindow('bin regulate') break return img_bin # while (1): # k = cv2.waitKey(1) & 0xFF # # if k == 27: # ECS键 # cv2.destroyWindow('light & contrast regulate') # img_bin = cv2.adaptiveThreshold(img_bin_i, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, # 2 * data[0] + 1, data[1]) # break return img_bindef other(): # 二值化 # 对透视变换后的图像进行灰度处理 img_gray = cv2.cvtColor(dst, cv2.COLOR_BGR2GRAY) img_gray = gamma_trans(img_gray,1.2) #伽马变换，增强对比度 # 二值化阈值调节示例 # 关于这个二值化，用身份证照片测试时，全局阈值进行二值化效果还可以，但如果存在灰度不均匀，会出现部分信息缺失 # 使用区域自适应阈值时，对不同灰度的区域有很好的效果，但如果窗口过小，会有很多噪点被放大 # 窗口调大到一定值时，效果等同于使用全局阈值，因此最终使用区域自适应阈值方法进行二值化 # demo中使用滑块调节自适应阈值窗口的size # 为了消除噪点，尝试过高斯滤波、膨胀，效果不好 # OTSU自动阈值法的效果也不错（效果不错的前提是图像灰度均匀，本质是一种全局最佳阈值的方法，依旧存在全局阈值的缺点） def bin_regulate(x):t = cv2.getTrackbarPos('auto size', 'bin regulate')if t == 0: t = 1 # 窗口最小大小为3# blur_size = cv2.getTrackbarPos('blursize', 'bin regulate')# img_bin = cv2.GaussianBlur(img_bin_regulate, ksize=(3, 3), sigmaX=100, sigmaY=100) #高斯滤波# ret,img_bin = cv2.threshold(img_bin_regulate, t, 255, cv2.THRESH_BINARY) #进行固定阈值处理，得到二值图像img_bin = img_bin_regulate# 以下两种自适应阈值方法类似# 自适应阈值二值化（均值）：第二个参数为领域内均值，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于均值减去这个常数# img_bin = cv2.adaptiveThreshold(img_bin, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 21, 2)# 自适应阈值二值化(高斯窗口)第二个参数为领域内像素点加权和，权重为一个高斯窗口，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于加权值减去这个常数img_bin = cv2.adaptiveThreshold(img_bin,255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 2*t+1, 2)# OTSU自动阈值（效果还可以）# ret,img_bin = cv2.threshold(img_bin, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)# 膨胀# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# img_bin = cv2.dilate(img_bin,kernel) #膨胀cv2.imshow("bin regulate",img_bin)pass img_bin_regulate = img_gray #复制灰度图 cv2.namedWindow('bin regulate') #创建window cv2.createTrackbar('auto size', 'bin regulate', 1, 400, bin_regulate) #自适应阈值的窗口size值 # cv2.createTrackbar('blursize', 'bin regulate', 1, 100, bin_regulate) #高斯滤波size滚动条 bin_regulate(0) #先运行一次回调函数 # #对透视变换后的图像使用阈值进行约束获得扫描结果 # # 使用固定阈值操作：threshold()函数：有四个参数：第一个是原图像，第二个是进行分类的阈值，第三个是高于(低于)阈值时赋予的新值， # # 第四个是一个方法选择参数：cv2.THRESH_BINARY(黑白二值) # # 该函数返回值有两个参数，第一个是retVal(得到的阈值值(在OTSU会用到))，第二个是阈值化后的图像 # ret, th1 = cv2.threshold(dst, 132, 255, cv2.THRESH_BINARY) #进行固定阈值处理，得到二值图像 # # 使用Otsu's二值化，在最后一个参数加上cv2.THRESH_OTSU # ret2, th2 = cv2.threshold(dst, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU) # # 使用自适应阈值操作：adaptiveThreshold()函数 # # 第二个参数为领域内均值，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于均值减去这个常数 # th3 = cv2.adaptiveThreshold(dst, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) # # 第二个参数为领域内像素点加权和，权重为一个高斯窗口，第五个参数为规定正方形领域大小（11*11），第六个参数是常数C：阈值等于加权值减去这个常数 # th4 = cv2.adaptiveThreshold(dst,255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) #输出处理后的图像 cv2.imshow("orig", orig) cv2.imshow("gray", gray) cv2.imshow("blurred", blurred) cv2.imshow("canny_edge", orig_edged) cv2.imshow("marked", image) # cv2.imshow("thre_constant", th1) # cv2.imshow("thre_ostu", th2) # cv2.imshow("thre_auto1", th3) # cv2.imshow("thre_auto2", th4) cv2.imshow("orig_mark", dst)
来源：是Mally呀！
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！