仪表数据读取

仪表数据读取，数据仪表数据的图像输出刻度值，其中使用了OpenCV和k-means算法

import cv2
import numpy as np
from sklearn.cluster import KMeans
from sklearn.utils import shuffle
from math import cos pi sin
from 计算刻度值 import get_rad_val

methods = [‘cv2.TM_CCOEFF‘ ‘cv2.TM_CCOEFF_NORMED‘ ‘cv2.TM_CCORR‘
               ‘cv2.TM_CCORR_NORMED‘ ‘cv2.TM_SQDIFF‘ ‘cv2.TM_SQDIFF_NORMED‘]
method = cv2.TM_CCOEFF

def get_match_rect（templateimgmethod）:
    ‘‘‘获取模板匹配的矩形的左上角和右下角的坐标‘‘‘
    w h = template.shape[1]template.shape[0]
    res = cv2.matchTemplate（img template method）
    mn_val max_val min_loc max_loc = cv2.minMaxLoc（res）
    # 使用不同的方法，对结果的解释不同
    if method in [cv2.TM_SQDIFF cv2.TM_SQDIFF_NORMED]:
        top_left = min_loc
    else:
        top_left = max_loc
    bottom_right = （top_left[0] + w top_left[1] + h）
    return top_leftbottom_right

def get_center_point（top_leftbottom_right）:
    ‘‘‘传入左上角和右下角坐标，获取中心点‘‘‘
    c_x c_y = （（np.array（top_left） + np.array（bottom_right）） / 2）.astype（np.int）
    return c_xc_y

def get_circle_field_color（imgcenterrthickness）:
    ‘‘‘获取中心圆形区域的色值集‘‘‘
    temp=img.copy（）.astype（np.int）
    cv2.circle（tempcenterr-100thickness=thickness）
    return img[temp == -100]

def v2_by_center_circle（imgcolors）:
    ‘‘‘二值化通过中心圆的颜色集合‘‘‘
    for i in range（img.shape[0]）:
        for j in range（img.shape[1]）:
            a = img[i j]
            if a in colors:
                img[i j] = 0
            else:
                img[i j] = 255

def v2_by_k_means（img）:
    ‘‘‘使用k-means二值化‘‘‘
    original_img = np.array（img dtype=np.float64）
    src = original_img.copy（）
    delta_y = int（original_img.shape[0] * （0.4））
    delta_x = int（original_img.shape[1] * （0.4））
    original_img = original_img[delta_y:-delta_y delta_x:-delta_x]
    h w d = src.shape
    print（w h d）
    dts = min（[w h]）
    print（dts）
    r2 = （dts / 2） ** 2
    c_x c_y = w / 2 h / 2
    a: np.ndarray = original_img[: : 0:3].astype（np.uint8）
    # 获取尺寸（宽度、长度、深度）
    height width = original_img.shape[0] original_img.shape[1]
    depth = 3
    print（depth）
    image_flattened = np.reshape（original_img （width * height depth））
    ‘‘‘
    用K-Means算法在随机中选择1000个颜色样本中建立64个类。
    每个类都可能是压缩调色板中的一种颜色。
    ‘‘‘
    image_array_sample = shuffle（image_flattened random_state=0）
    estimator = KMeans（n_clusters=2 random_state=0）
    estimator.fit（image_array_sample）
    ‘‘‘
    我们为原始图片的每个像素进行类的分配。
    ‘‘‘
    src_shape = src.shape
    new_img_flattened = np.reshape（src （src_shape[0] * src_shape[1] depth））
    cluster_assignments = estimator.predict（new_img_flattened）
    ‘‘‘
    我们建立通过压缩调色板和类分配结果创建压缩后的图片
    ‘‘‘
    compressed_palette = estimator.cluster_centers_
    print（compressed_palette）
    a = np.apply_along_axis（func1d=lambda x: np.uint8（compressed_palette[x]） arr=cluster_assignments axis=0）
    img = a.reshape（src_shape[0] src_shape[1] depth）
    print（compressed_palette[0 0]）
    threshold = （compressed_palette[0

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        1097  2019-03-19 10:26  计算刻度值.py
     文件        8735  2019-03-19 09:48  模板匹配法.py
     目录           0  2019-03-14 11:23  test\
     文件      232776  2018-04-18 18:23  test\ （1）.jpg
     文件      214534  2018-04-05 13:00  test\ （10）.jpg
     文件      218869  2018-04-05 18:37  test\ （11）.jpg
     文件      209028  2018-04-06 17:19  test\ （12）.jpg
     文件      198367  2018-04-07 09:38  test\ （13）.jpg
     文件      233799  2018-04-07 15:15  test\ （14）.jpg
     文件      209590  2018-04-07 17:32  test\ （15）.jpg
     文件      229510  2018-04-08 10:18  test\ （16）.jpg
     文件      215287  2018-04-08 16:49  test\ （17）.jpg
     文件      215923  2018-04-10 10:17  test\ （18）.jpg
     文件      200903  2018-04-11 09:14  test\ （19）.jpg
     文件      233689  2018-03-30 17:46  test\ （2）.jpg
     文件      195924  2018-04-13 17:13  test\ （20）.jpg
     文件      197012  2018-04-14 16:41  test\ （21）.jpg
     文件      189283  2018-04-14 19:23  test\ （22）.jpg
     文件      198637  2018-04-15 11:49  test\ （23）.jpg
     文件      209585  2018-04-15 15:39  test\ （24）.jpg
     文件      175260  2018-04-15 19:21  test\ （25）.jpg
     文件      214954  2018-04-16 10:20  test\ （26）.jpg
     文件      176198  2018-04-16 19:21  test\ （27）.jpg
     文件      197078  2018-04-17 09:20  test\ （28）.jpg
     文件      219506  2018-04-17 10:56  test\ （29）.jpg
     文件      213962  2018-03-31 09:30  test\ （3）.jpg
     文件      226911  2018-04-17 19:00  test\ （30）.jpg
     文件      215344  2018-04-18 10:01  test\ （31）.jpg
     文件      248144  2018-03-31 14:44  test\ （4）.jpg
     文件      181730  2018-04-01 09:42  test\ （5）.jpg
     文件      238052  2018-04-03 18:00  test\ （6）.jpg
............此处省略4个文件信息