您現在的位置是：首頁 > 垂釣

SuperMemo實踐閉環(3)-批次挖空制卡的操作

由來自知乎的一隻小胖子發表于垂釣
2022-08-02

CV cnt img NP ROI

簡介8，（0， 128， 0）， 2， cv

怎麼新增制卡

本文闡述了在不使用ImageOcclusionEditor的情況下，我們透過OpenCV實現批次圖片遮擋的效果。

Occlusion指令碼執行後的效果如圖所示

一. 執行環境-配置Python/指令碼/終端環境

PyCharm / Python3。9 / Open-CV

PyCharm / Python3。9 的配置不再詳細講解，你可以參考我之前的專欄文章。

PyCharm中使用Python3。9編譯器

安裝Open-CV的Python外掛

pip3 install opencv-python

解決找不到CV2 Module的問題:

。py檔案執行時找不到，要注意在執行環境配置中新增變數

解決執行時找不到CV2模組的問題

如果以上的方法還不能解決你的問題，請按這篇內容再配置一下：

用Pycharm執行後出現“No module named ‘cv2’”錯誤的終極解決方案

blog。csdn。net/lhw19931201/article/details/86545964

終端單獨執行找不到時，要

確保你Python3.9的site-packages下存在cv2的模組

終端找不到CV2模組要確保。so存在

Likey@Laptop pythonProject % python3 。/occlusionCard。py “你的圖片路徑”

指令碼生成的最終SM樣式網頁

二. 指令碼內容 - 如下指令碼生成多個Occlusion圖片至圖床(使用了PicGo)並返回多個圖片連結

OpenCV-Occlusion 指令碼提供如下，具體操作步驟為：

1.截圖後對要制卡區繪製矩形遮擋並儲存(注意保證矩形區透明度75%以上,而且能看到遮擋處的內容), 2.直接執行上面那條指令碼:

（

如下程式碼區也有使用方法的說明) 3.如果遮擋生成的圖片不對請酌情調整contourAreaValue引數

#！/usr/bin/python3# -*- coding： utf-8 -*-import numpy as npimport cv2 as cvimport osimport sysimport requestsimport jsonfrom pprint import pprint################################## 實現（opencv）批次生成挖空卡片，呼叫picGo上傳並返回連結# 作者：一隻小胖子# 版本：V0。1# 知乎：https：//www。zhihu。com/people/lxf-8868# 使用方法：# 1。使用snipaste截圖，並用矩形工具描出實心遮擋區（注意：透明度為75%以上）# 2。執行python3 occlusionCard。py “你的圖片路徑（包括字尾名）”# 設定輪廓面積值，按效果自己調整，一般是1500-4000之間contourAreaValue = 2500################################## 設定putText函式字型font = cv。FONT_HERSHEY_SIMPLEX# 計算兩邊夾角額cos值def angle_cos（p0， p1， p2）： d1， d2 = （p0 - p1）。astype（‘float’），（p2 - p1）。astype（‘float’） return abs（np。dot（d1， d2） / np。sqrt（np。dot（d1， d1） * np。dot（d2， d2）））# 合併圖片def merge_img（image1， image2）： h1， w1， c1 = image1。shape h2， w2， c2 = image2。shape if c1 ！= c2： print（“channels NOT match， cannot merge”） return else： if w1 > w2： tmp = np。zeros（［h2， w1 - w2， c1］） image3 = np。hstack（［image2， tmp］） image3 = np。vstack（［image1， image3］） elif w1 == w2： image3 = np。hstack（［image1， image2］） else： tmp = np。zeros（［h1， w2 - w1， c2］） image3 = np。hstack（［image1， tmp］） image3 = np。vstack（［image3， image2］） return image3# 查詢矩形輪廓def find_squares（filepath， flag）： img = cv。imread（filepath） # 讀取圖片物件 gray = cv。cvtColor（img， cv。COLOR_BGR2GRAY） gray = cv。GaussianBlur（gray，（3， 3）， 1） # 1 ret， th1 = cv。threshold（gray， 128， 255， 0） # cv。THRESH_OTSU） # 0，255，cv。THRESH_BINARY | cv。THRESH_OTSU 127， 255，0 # 開閉運算去除噪點 kernel = cv。getStructuringElement（cv。MORPH_ELLIPSE，（3， 3）） th1 = cv。morphologyEx（th1， cv。MORPH_OPEN， kernel） th1 = cv。morphologyEx（th1， cv。MORPH_CLOSE， kernel） binary = cv。Canny（th1， 50， 100） contours， _hierarchy = cv。findContours（binary， cv。RETR_EXTERNAL， cv。CHAIN_APPROX_SIMPLE） # cv。RETR_EXTERNAL cv。RETR_TREE print（“輪廓數量：%d” % len（contours）） # 輪廓遍歷 roi_list = ［］ contours_2 = ［］ for cnt in contours： # cnt_len = cv。arcLength（cnt， True） # 計算輪廓周長 # cnt = cv。approxPolyDP（cnt， 0。02 * cnt_len， True） # 多邊形逼近 # # 條件判斷逼近邊的數量是否為4，輪廓面積是否大於1000，檢測輪廓是否為凸的 # if cv。contourArea（cnt） > 4000 and cv。isContourConvex（cnt）： if cv。contourArea（cnt） > contourAreaValue： # 獲取外接矩形的值 x， y， w， h = cv。boundingRect（cnt） roi_list。append（（x， y， w， h， cnt）） contours_2。append（{“h”： h， “cnt”： cnt}） print（“發現挖空［” + str（len（roi_list）） + “］處， contours數為［” + str（len（contours_2）） + “］”） squares_len = len（roi_list） filenameAtr = filepath。rsplit（“/”） for roi_idx in range（len（roi_list））： index = 0 if flag == 1： # 正面（將回答問題為紅色遮擋，已回答的顯示答案，其它為藍色遮擋） img = cv。imread（filepath） for roi_list_ in roi_list：（x， y， w， h， cnt_obj） = roi_list_ M = cv。moments（cnt_obj） # 計算輪廓的矩 cx = int（M［‘m10’］ / M［‘m00’］） cy = int（M［‘m01’］ / M［‘m00’］ + h * 0。5 + 20） # 輪廓重心下移0。5倍高度 cv。putText（img，（“#%d” % index），（cx， cy）， font， 0。8，（0， 128， 0）， 2， cv。LINE_AA） # 抗鋸齒 cv。drawContours（img， contours， 0，（255， 0， 255）， 2） if index < roi_idx： index = index + 1 continue elif index == roi_idx： idx_red_col = （0， 0， 255） # 紅色 else： idx_red_col = （255， 0， 0） # 藍色 cv。rectangle（img，（x， y），（x + w， y + h）， idx_red_col， -1） # -1 2 -1為填充 index = index + 1 cv_filename = filenameAtr［0］ + str（roi_idx） + “_A_” + filenameAtr［-1］ print（cv_filename） # cv。imshow（cv_filename， img） cv。imwrite（cv_filename， img） elif flag == 0： # 反面 img2 = cv。imread（filepath） for roi_list_ in roi_list：（x， y， w， h， cnt_obj） = roi_list_ M = cv。moments（cnt_obj） # 計算輪廓的矩 cx = int（M［‘m10’］ / M［‘m00’］） cy = int（M［‘m01’］ / M［‘m00’］ + h * 0。5 + 20） # 輪廓重心下移0。5倍高度 cv。putText（img2，（“#%d” % index），（cx， cy）， font， 0。8，（0， 128， 0）， 2， cv。LINE_AA） # 抗鋸齒 cv。drawContours（img2， contours， 0，（255， 0， 255）， 2） if index <= roi_idx： # 已回答和正要回答的顯示答案 index = index + 1 continue else： idx_red_col = （255， 0， 0） # 藍色 cv。rectangle（img2，（x， y），（x + w， y + h）， idx_red_col， -1） # -1 2 -1為填充 index = index + 1 cv_filename = filenameAtr［0］ + str（roi_idx） + “_B_” + filenameAtr［-1］ print（cv_filename） # cv。imshow（cv_filename， img2） cv。imwrite（cv_filename， img2） # cnt_len = cv。arcLength（cnt， True） # 計算輪廓周長 # cnt = cv。approxPolyDP（cnt， 0。02 * cnt_len， True） # 多邊形逼近 # # 條件判斷逼近邊的數量是否為4，輪廓面積是否大於1000，檢測輪廓是否為凸的 # if len（cnt） == 4 and cv。contourArea（cnt） > 1000 and cv。isContourConvex（cnt）： # M = cv。moments（cnt） # 計算輪廓的矩 # cx = int（M［‘m10’］ / M［‘m00’］） # cy = int（M［‘m01’］ / M［‘m00’］） # 輪廓重心 # # cnt = cnt。reshape（-1， 2） # max_cos = np。max（［angle_cos（cnt［i］， cnt［（i + 1） % 4］， cnt［（i + 2） % 4］） for i in range（4）］） # # 只檢測矩形（cos90° = 0） # if max_cos < 0。1： # # True # # 檢測四邊形（不限定角度範圍） # # if True： # # if True： # index = index + 1 # cv。putText（img，（“#%d” % index），（cx， cy）， font， 0。7，（255， 0， 255）， 2） # squares。append（cnt） return squares_len# 邏輯執行入口def main（img_file_path）： file_dir_path = os。path。dirname（img_file_path） + “/” file_img_name = os。path。basename（img_file_path） file_upload_list = ［］ # 待上傳的圖片列表 print（“1。開始生成正面圖像”） squares_len = find_squares（img_file_path， 1） print（“2。開始生成反面影象”） squares_len = find_squares（img_file_path， 0） print（“3。開始合成生成的圖象”） for file_obj_idx in range（squares_len）： # print（“{}{}{}{}”。format（file_dir_path， file_obj_idx， “_A_”， file_img_name）） # print（“{}{}{}{}”。format（file_dir_path， file_obj_idx， “_B_”， file_img_name）） view1 = cv。imread（“{}{}{}{}”。format（file_dir_path， file_obj_idx， “_A_”， file_img_name）） view2 = cv。imread（“{}{}{}{}”。format（file_dir_path， file_obj_idx， “_B_”， file_img_name）） # 迭加圖片模式 # cv。addWeighted（view1， alpha， src2， beta， gamma， dst=None， dtype=None） # alpha/beta 對應兩張圖片的透明度， 0是完全透明 1是完全不透明 # overlapping = cv。addWeighted（view1， 0。8， view2， 0。2， 0） # 合併的檔名 file_out_name = “{}{}_QA_{}”。format（file_dir_path， file_obj_idx， file_img_name） print（file_out_name） # 只上傳合併後的QA圖片 file_upload_list。append（file_out_name） # 水平或垂直合併圖片 view3 = merge_img（view1， view2） # cv。imshow（‘view3’， view3） cv。imwrite（file_out_name， view3） # # Exit if ESC pressed # # cv。waitKey（） k = cv。waitKey（100） & 0xff # 100ms if k == 27： cv。destroyAllWindows（） # exit（） # 獲取圖片儲存目錄待上傳圖片 print（‘圖片處理生成至： {} 結束！’。format（file_dir_path）） print（“開始上傳圖片，請確保你已提前配置好picGo上傳環境。。。”） # # 獲取傳入路徑下的：當前目錄，子目錄列表，檔案列表 # for f_path， dir_names， f_names in os。walk（file_dir_path）： # # 正常的圖片檔案，關鍵字查詢過濾檔名 # f_names = ［f_name for f_name in f_names if not f_name。startswith（“。”） and f_name。__contains__（“。jpg”） # and os。path。isfile（f_name） and str（f_name）。__contains__（“#”）］ # # 得到全路徑資訊 # f_names = ［os。path。join（f_path， f_name） for f_name in f_names］ # break # 只處理根目錄檔案 print（“待處理上傳圖片列表： {}”。format（file_upload_list）） url = “http：//127。0。0。1：36677/upload” payload = json。dumps（{ “list”： file_upload_list }） headers = { ‘Content-Type’： ‘application/json’ } response = requests。request（“POST”， url， headers=headers， data=payload） print（“PicGo上傳返回結果：”） print（response） obj_json_list = json。loads（response。text） pprint（obj_json_list） # 獲取圖片的URL連結 if “result” in obj_json_list。keys（）： url_for_sm18 = ［］ # 格式化成SuperMemo網頁樣式 for url_ in obj_json_list［“result”］： url_str = “{}

”。format（file_img_name， url_） url_for_sm18。append（url_str） print（“上傳成功，返回SuperMemo樣式：”） # $fileName

print（“”。join（url_for_sm18）） else： print（“上傳失敗，請檢查是否重複上傳！”）# ——————開始呼叫方法——————-# 透過終端傳參呼叫img_path = str（sys。argv［1］）print（“開始處理傳入的圖片：{}”。format（img_path））main（img_file_path=img_path）# pycharm直接執行# if __name__ == ‘__main__’：# # print（__doc__）# img_path = “/Users/Likey/PycharmProjects/pythonProject/pic/33。jpg”# main（img_path）

如果你用的是程式碼,下面的第三步驟可以不用再做了,程式碼已經實現了這個功能,第三步驟適合不用程式碼,直接手工操作的場景,總體上會麻煩一點....,建議你直接用程式碼的方式更方便.

三. Occlusion圖片批次上傳伺服器並返回連結(這一步可以用上面第二步的程式碼替換了....)

（

軟體自帶了一個網頁連結,但這裡我們要另外配置一個自定義連結用於獲取批次的圖片網址.)