阅读量:0
今天大家介绍两篇OpenCV颜色识别的代码
其中第一篇逻辑比较简单，第二篇稍微难一点，不过问题不大
基本思路已经在注释中给大家标注出来
代码中的大部分函数在“OpenCV手部识别中各个函数功能”博文中有详细解释，有不懂的地方，欢迎大家前去查看
（一）
import cv2 import numpy as np """ 在OpenCV中，HSV（色相、饱和度、明度）是一种常用的颜色空间，它可以方便地进行颜色的识别和处理。 以下是红、绿和蓝颜色在HSV空间中的范围： 红色（Red）： 色相（Hue）范围：0-10 和 170-180 饱和度（Saturation）范围：50-255 明度（Value）范围：50-255 这是我测试代码时用的颜色范围： lower_color = np.array([0, 150, 150])/higher_color = np.array([10, 255, 255]) 黄色（Yellow） 色相（Hue）范围：20-40 饱和度（Saturation）范围：50-255 明度（Value）范围：50-255 这是我测试代码时用的颜色范围： lower_color = np.array([20, 70, 50])/higher_color = np.array([40, 200, 150]) 绿色（Green）： 色相（Hue）范围：60-80 饱和度（Saturation）范围：50-255 明度（Value）范围：50-255 蓝色（Blue）： 色相（Hue）范围：90-130 饱和度（Saturation）范围：50-255 明度（Value）范围：50-255 """ def green_identify(img): # 转换为HSV颜色模型 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 二值化处理，表示HSV中颜色的范围(以绿色为例) lower_color = np.array([60, 70, 50]) higher_color = np.array([80, 200, 255]) # 返回一个与原始图像相同大小的掩码 # 其中像素范围在lower_color和higher_color范围内的像素会被设置为255（白色），否则为0（黑色） mask = cv2.inRange(hsv, lower_color, higher_color) # 生成一个填充了1的数组 # dtype表示输出的数据类型，默认为float64，也可为int，np.uint8 # 还可以指定数组元素的存储风格，‘C’表示C语言风格的行优先（默认），‘F’表示Fortran风格的列优先 kernel = np.ones([5, 5], dtype=np.uint8) # 膨胀操作，可理解为扩大图像中的白色区域 # 扩大图像中的白色区域，同时缩小黑色区域 """ kernel（也叫做核或者结构元素）就像是一个小刷子或者模板，用来决定在进行膨胀操作时，哪些像素会被考虑进去 kernel里面的值通常是0或1（或者在某些情况下是0和255）。 值为1的位置表示这个像素点会被考虑在膨胀操作中，而值为0的位置则会被忽略。 比如，在一个3x3的矩形kernel中，所有值都可能是1，表示在进行膨胀操作时，会考虑图像中每个像素点及其周围的8个像素点。 """ # iterations表示膨胀操作的次数，每次迭代，图像中与核覆盖区域相交的像素都会被替换为核中的最大值（255） dilate = cv2.dilate(mask, kernel, iterations=1) # 检测图像中轮廓的函数，找出二值图像中所有连续的非零像素区域，并返回它们的轮廓 # cv2.RETR_EXTERNAL：只检索最外层的轮廓/cv2.RETR_LIST：检索所有的轮廓，并将它们存储在一个列表中。 # cv2.CHAIN_APPROX_NONE：存储轮廓上的所有/cv2.CHAIN_APPROX_SIMPLE：仅存储轮廓的端点。 cnts, hierarchy = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 判断是否有轮廓 if len(cnts) == 0: # 没有即显示原图 cv2.imshow("red_identify", img) return # 返回最大面积的轮廓 # cv2.contourArea()函数用于计算轮廓的面积 max_cnt = max(cnts, key=cv2.contourArea) # 用于在图像中绘制轮廓，-1表示绘制所有的轮廓 cv2.drawContours(img, max_cnt, -1, (0, 0, 255), 2) # 用于计算一个点集的最小边界矩形，该矩形完全包含轮廓内的所有点，并且面积最小 (x, y, w, h) = cv2.boundingRect(max_cnt) # 将目标框起来 cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 3) # 在目标的中间画一个小圈 cv2.circle(img, (x + (w//2), y + (h//2)), 6, (0, 0, 255), 2) # 打印出目标中点的坐标 print("x + w:", x + (w//2), "y + h:", y + (h//2)) cv2.imshow("red_identify", img) if __name__ == "__main__": # 打开摄像头 cap = cv2.VideoCapture(0) # 设置摄像头参数，第一个和第二个为像素大小，第三个表示帧率 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 480) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) cap.set(cv2.CAP_PROP_FPS, 100) while True: # 循环读取每一帧 flag, frame = cap.read() # 将图像翻转过来 frame = cv2.flip(frame, 1) # 如果读取失败 if not flag: print("Camera error!") break # 调用颜色识别函数 red_identify(frame) # 等待用户按下‘q'键，如果按下则退出循环 sun = cv2.waitKey(1) if sun == ord('q'): break # 关闭摄像头，解除程序占用摄像头 cap.release() # cv2把所有打开的窗口关闭掉 cv2.destroyAllWindows() （二）
import cv2 import numpy as np from imutils import contours """ imutils是一个Python库，它是OpenCV的简化接口和实用工具集合，可以大大简化OpenCV的使用 该库提供了许多方便的功能，使得使用OpenCV进行图像处理变得更加简单和直观 imutils库提供了许多实用的功能，例如图像缩放、旋转、平移、骨架化等操作 它还提供了对图像进行显示和保存的功能，支持Matplotlib等绘图库。此外，imutils还提供了一些方便的函数，例如计算图像的中心点、计算图像的方向梯度直方图（HOG）特征等 """ # 颜色阈值(以蓝色为例) lower = np.array([90, 62, 72]) upper = np.array([130, 200, 148]) # 内核 kernel = np.ones((5, 5), np.uint8) # 打开摄像头 vc = cv2.VideoCapture(0) # 如果成功打开，运行if中的函数 if vc.isOpened(): flag, frame = vc.read() # 翻转图像 cv2.imshow("frame", frame) else: flag = False while flag: flag, frame = vc.read() draw_frame = frame.copy() if frame is None: break if flag is True: '''下面对摄像头读取到的图像进行处理，这个步骤是比较重要的''' # 转换颜色空间HSV frame_hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 颜色识别 img = cv2.inRange(frame_hsv, lower, upper) # 膨胀操作 dilation = cv2.dilate(img, kernel, iterations=1) # 用于执行形态学变换的函数，形态学变换是基于形状的一系列图像处理操作，通常用于二值图像 """ cv2.MORPH_ERODE：腐蚀 效果：腐蚀操作会“缩小”或“细化”图像中的白色区域（前景）。 应用：可以用来断开连接的对象、消除小的对象等。 示例：如果图像中有一个白色的矩形，腐蚀操作会使矩形的边缘向内收缩。 cv2.MORPH_DILATE：膨胀 效果：膨胀操作会“扩大”或“增厚”图像中的白色区域。 应用：可以用来填补对象内部的小孔、连接断裂的对象等。 示例：如果图像中有一个白色的矩形，膨胀操作会使矩形的边缘向外扩张。 cv2.MORPH_OPEN：开运算（先腐蚀后膨胀） 效果：先腐蚀后膨胀。开运算通常用来去除小的对象。 应用：噪声去除，断开连接的对象。 示例：在图像中有小的白色噪声点的情况下，开运算能够去除这些噪声点而不影响较大的对象。 cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀） 效果：先膨胀后腐蚀。闭运算通常用来填补对象内部的小孔或缝隙。 应用：填补孔洞，连接断裂的线条。 示例：如果图像中有一个白色的矩形，其内部有一个小孔，闭运算能够填补这个小孔。 """ closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel) # 高斯滤波，用于对图像进行高斯模糊处理，通过卷积核（滤波器）与图像进行卷积操作来实现 # ksize：高斯核的大小，该值必须为奇数 # sigmaX：表示高斯核函数在X方向的标准差 # 平滑图像，减少噪音 closing = cv2.GaussianBlur(closing, (5, 5), 0) # 边缘检测 # 10：第一个阈值，用于边缘连接。小于此值的边缘会被抛弃。 # 20：第二个阈值，用于边缘检测。大于此值的边缘会被确定为边缘 edges = cv2.Canny(closing, 10, 20) '''上面进行那么多操作就是为了得到更好的目标图形，具体效果因环境而异''' # 寻找轮廓 cnts, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 判断轮廓数量也就是判断是否寻找到轮廓，如果没有找到轮廓就不继续进行操作 if len(cnts) > 0: # 存放轮廓面积的列表 sun = [] # 存放最大轮廓的索引 max_index = 0 # 获得排序后的轮廓列表以及每个轮廓对应的外接矩形 # 接受一个轮廓列表作为输入，并返回一个按某种标准排序后的轮廓列表。 # 排序的标准通常是轮廓的面积，但也可以是其他标准，如轮廓的边界框的中心点坐标等。 (cnts, boundingRects) = contours.sort_contours(cnts) # 寻找面积最大的轮廓的索引 for cnt in cnts: sun.append(cv2.contourArea(cnt)) # 查找元素在列表中的下标 max_index = sun.index(max(sun)) # 根据面积最大轮廓的索引找到它的外接矩形的信息 (x, y, w, h) = boundingRects[max_index] # 画矩形 frame_out = cv2.rectangle(draw_frame, (x, y), (x + w, y + h), (0, 255, 0), 2) cv2.imshow("frame", draw_frame) if cv2.waitKey(1) == ord('q'): break vc.release() cv2.destroyAllWindows() 