采用opencv进行颜色识别有个好处就是他的框可以是具有角度的长方体框,不局限于平行点的

文章目录

  • ​​颜色识别实现过程​​
  • ​​1.调用摄像头、导入视频或读入照片​​
  • ​​2.找出所需颜色对应的HSV阈值​​
  • ​​3.找出二值化后的图片中的特征点并进行画框​​
  • ​​完整代码​​
  • ​​函数详解​​
  • ​​findContours()函数​​
  • ​​minAreaRect()函数​​

颜色识别实现过程

1.调用摄像头、导入视频或读入照片

  • 调用摄像头
import os
import cv2
import numpy as np
cap = cv2.VideoCapture(0)
while True:
ret, frame = cap.read()
if ret == True:
  • 导入视频
cap = cv2.VideoCapture("opencv/8_15_2save.avi") # 输入视频
  • 读入照片
frame = cv2.imread("123.jpg")

2.找出所需颜色对应的HSV阈值

  • 通过​​HSV阈值分析器​​调节阈值,并写入color_dist中:
color_dist = {'red': {'Lower': np.array([0, 25, 123]), 'Upper': np.array([17, 255, 255])},
'light_red': {'Lower': np.array([178, 100, 136]), 'Upper': np.array([255, 255, 255])},
'blue': {'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},
'green': {'Lower': np.array([35, 43, 35]), 'Upper': np.array([90, 255, 255])},
'yellow': {'Lower': np.array([25, 75, 165]), 'Upper': np.array([40, 255, 255])},
'black': {'Lower': np.array([0,0,0]), 'Upper': np.array([1,1,1])},
}
  • 将图片进行HSV转换,并通过inRange函数对hsv图像进行处理,
hsv = cv2.cvtColor(mask_img, cv2.COLOR_BGR2HSV) 
inRange_hsv = cv2.inRange(hsv, color_dist[ball_color1]['Lower'], color_dist[ball_color1]['Upper'])

opencv-python——调用摄像头或导入视频实现颜色识别并画框_计算机视觉

opencv-python——调用摄像头或导入视频实现颜色识别并画框_opencv_02

3.找出二值化后的图片中的特征点并进行画框

cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
c = max(cnts, key=cv2.contourArea)
rect = cv2.minAreaRect(c)
box = cv2.boxPoints(rect)
box_list = box.tolist() #四个点的点的坐标

cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)

opencv-python——调用摄像头或导入视频实现颜色识别并画框_ide_03

完整代码

import cv2
import numpy as np

color_dist = {'red': {'Lower': np.array([0, 25, 138]), 'Upper': np.array([19, 255, 255])},
'light_red': {'Lower': np.array([178, 100, 136]), 'Upper': np.array([255, 255, 255])},
'blue': {'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},
'green': {'Lower': np.array([35, 43, 35]), 'Upper': np.array([90, 255, 255])},
'yellow': {'Lower': np.array([26, 43, 46]), 'Upper': np.array([34, 255, 255])},
}
#调用摄像头
#cap = cv2.VideoCapture(0)
# 输入视频
cap = cv2.VideoCapture("opencv/8_15_2save.avi")
cv2.namedWindow('camera', cv2.WINDOW_AUTOSIZE)

while True:
# 读取视频帧,ret标志读取的结果,frame为读取到的视频帧图像
ret, frame = cap.read()

gs_frame = cv2.GaussianBlur(frame, (5, 5), 0) # 高斯模糊
hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV) # 转化成HSV图像

inRange_hsv = cv2.inRange(hsv, color_dist['red']['Lower'], color_dist['red']['Upper'])
#寻找外部的点
cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]

c = max(cnts, key=cv2.contourArea)
rect = cv2.minAreaRect(c)
box = cv2.boxPoints(rect)
box_list = box.tolist()
#将点画在
cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)

cv2.imshow('camera', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break

cv2.destroyAllWindows()

函数详解

findContours()函数

findContours(InputOutputArray image, 
OutputArrayOfArrays contours,
OutputArray hierarchy,
int mode,
int method,
Point offset = Point());
  • 参数1:单通道图像矩阵,可以是灰度图,但更常用的是二值图像,一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像;
  • 参数2:contours定义为“vector<vector>
    contours”,是一个双重向量(向量内每个元素保存了一组由连续的Point构成的点的集合的向量),每一组点集就是一个轮廓,有多少轮廓,contours就有多少元素;
  • 参数3:hierarchy定义为“vector hierarchy”,Vec4i的定义:typedef Vec<int, 4> Vec4i;(向量内每个元素都包含了4个int型变量),所以从定义上看,hierarchy是一个向量,向量内每个元素都是一个包含4个int型的数组。向量hierarchy内的元素和轮廓向量contours内的元素是一一对应的,向量的容量相同。hierarchy内每个元素的4个int型变量是hierarchy[i][0] ~ hierarchy[i][3],分别表示当前轮廓 i 的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的编号索引。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓,则相应的hierarchy[i][*]被置为-1。
  • 参数4:定义轮廓的检索模式,取值如下:
CV_RETR_EXTERNAL:只检测最外围轮廓,包含在外围轮廓内的内围轮廓被忽略;
CV_RETR_LIST:检测所有的轮廓,包括内围、外围轮廓,但是检测到的轮廓不建立等级关系,彼此之间独立,没有等级关系,这就意味着这个检索模式下不存在父轮廓或内嵌轮廓,所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1,具体下文会讲到;
CV_RETR_CCOMP: 检测所有的轮廓,但所有轮廓只建立两个等级关系,外围为顶层,若外围内的内围轮廓还包含了其他的轮廓信息,则内围内的所有轮廓均归属于顶层;
CV_RETR_TREE: 检测所有轮廓,所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓,内层轮廓还可以继续包含内嵌轮廓。
  • 参数5:定义轮廓的近似方法,四种取值分别如下:
CV_CHAIN_APPROX_NONE:保存物体边界上所有连续的轮廓点到contours向量内;
CV_CHAIN_APPROX_SIMPLE:仅保存轮廓的拐点信息,把所有轮廓拐点处的点保存入contours向量内,拐点与拐点之间直线段上的信息点不予保留;
CV_CHAIN_APPROX_TC89_L1:使用teh-Chinl chain 近似算法;
CV_CHAIN_APPROX_TC89_KCOS:使用teh-Chinl chain 近似算法。
  • 参数6:Point偏移量,所有的轮廓信息相对于原始图像对应点的偏移量,相当于在每一个检测出的轮廓点上加上该偏移量,并且Point还可以是负值!

minAreaRect()函数

​​OpenCV 中boundingRect、minAreaRect的用法区别​​