python水果识别系统opencv

Python水果识别系统可以使用OpenCV和机器学习算法来实现。以下是一个基本的流程：

1. 收集水果图像数据集，包括正面、侧面、背面等不同角度的图像。
2. 使用OpenCV进行图像预处理，如缩放、裁剪、去噪、增强等操作。
3. 使用机器学习算法，如支持向量机（SVM）、决策树（Decision Tree）等进行分类训练。
4. 对新的水果图像进行预测并输出结果。

以下是一个示例代码，使用OpenCV和SVM算法实现水果识别系统：

import cv2
import numpy as np
from sklearn.svm import SVC

# 收集数据集
dataset = {
    'apple': ['data/apple1.jpg', 'data/apple2.jpg', 'data/apple3.jpg'],
    'banana': ['data/banana1.jpg', 'data/banana2.jpg', 'data/banana3.jpg'],
    'orange': ['data/orange1.jpg', 'data/orange2.jpg', 'data/orange3.jpg']
}

# 特征提取
def extract_features(image):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    _, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    cnt = max(contours, key=cv2.contourArea)
    x,y,w,h = cv2.boundingRect(cnt)
    roi = image[y:y+h, x:x+w]
    roi = cv2.resize(roi, (64, 64))
    return roi.flatten()

# 训练模型
X = []
y = []
for label, images in dataset.items():
    for image_path in images:
        image = cv2.imread(image_path)
        feature = extract_features(image)
        X.append(feature)
        y.append(label)
X = np.array(X)
y = np.array(y)
svm = SVC(kernel='linear', C=1.0, random_state=42)
svm.fit(X, y)

# 预测新图像
image = cv2.imread('data/test.jpg')
feature = extract_features(image)
result = svm.predict([feature])
print(result)

在这个示例中，我们使用了SVM算法进行分类训练，并使用特征提取函数对图像进行预处理。然后，我们对新的图像进行预测并输出结果。当然，这个示例只是一个简单的水果识别系统，实际应用中还需要更多的优化和改进。