学习了一点opencv的知识于是找了个小项目来实践一下。这里先说明一下，我的实现方法不见得是最好的（因为这只是一个用于练习的项目）仅作参考，也欢迎各位大佬指正。
任务
让摄像头识别到视野范围内的气球并返回每个气球的中心点坐标。
因为场地固定，背景单一，所以省下来很多操作和处理。于是就有两种解决思路：第一种是基于气球形状做轮廓提取，只要是闭合椭圆或圆形形就认为是目标物体；第二种是基于气球颜色，只要符合目标物体的颜色就认为是目标物体。
因为摄像头是装在四足机器人（它的任务是去扎气球）身上的，所以它如果移动到摄像头视野范围内气球不成闭合椭圆或圆形的时候就无法识别了，再加上场地灯光而产生的阴影的问题，在初步实践中发现经过图像处理的气球不一定是闭合球形的。所以这种方法被我否决了。
于是我就采用了第二种方法，实现思路大概如下：
首先对图像进行形态学处理，具体为将读入的灰度图进行一次滤波操作，将图像转化成HSV图，然后进行腐蚀操作。接着就对目标颜色进行识别和提取。然后提取图像的轮廓，过滤掉轮廓围成面积较小的物体后将剩余物体视为目标。接下来就绘制目标的外接矩形（不必要，用于调试。当然也为了帅气的视觉效果）。最后计算目标的中心点，返回中心点，并绘制在图上。
话不多说我们来看一下具体的代码实现吧
主要代码
import cv2
#import matplotlib.pyplot as plt
import numpy as np
#定义一个展示图片的函数
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
#定义一个形态学处理的函数
def good_thresh_img(img):
gs_frame = cv2.GaussianBlur(img, (5, 5), 0) #高斯滤波
hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV) # 转化成HSV图像
erode_hsv = cv2.erode(hsv, None, iterations=2)
return erode_hsv
#定义一个识别目标颜色并处理的函数
def select_color_img(target_color,img):
for i in target_color:
mask=cv2.inRange(erode_hsv,color_dist[i]['Lower'],color_dist[i]['Upper'])
if(i==target_color[0]):
inRange_hsv=cv2.bitwise_and(erode_hsv,erode_hsv,mask = mask)
cv_show('res',inRange_hsv)#不必要，用于调试
else:
inRange_hsv1=cv2.bitwise_and(erode_hsv,erode_hsv,mask = mask)
cv_show('res1',inRange_hsv1)#不必要，用于调试
inRange_hsv=cv2.add(inRange_hsv,inRange_hsv1)
cv_show('res2',inRange_hsv)#不必要，用于调试
return inRange_hsv
#定义一个提取轮廓的函数
def extract_contour(img):
inRange_gray = cv2.cvtColor(final_inRange_hsv,cv2.COLOR_BGR2GRAY)
contours,hierarchy = cv2.findContours(inRange_gray,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
return contours
#定义一个寻找目标并绘制外接矩形的函数
def find_target(contours,draw_img):
for c in contours:
if cv2.contourArea(c) < 2000: #过滤掉较面积小的物体
continue
else:
target_list.append(c) #将面积较大的物体视为目标并存入目标列表
for i in target_list: #绘制目标外接矩形
rect = cv2.minAreaRect(i)
box = cv2.boxPoints(rect)
cv2.drawContours(draw_img, [np.int0(box)], -1, (0, 255, 255), 2)
return draw_img
#定义一个绘制中心点坐标的函数
def draw_center(target_list,draw_img):
for c in target_list:
M = cv2.moments(c) #计算中心点的x、y坐标
center_x = int(M['m10']/M['m00'])
center_y = int(M['m01']/M['m00'])
print('center_x:',center_x) #打印（返回）中心点的x、y坐标
print('center_y:',center_y)
cv2.circle(draw_img,(center_x,center_y),7,128,-1)#绘制中心点
str1 = '(' + str(center_x)+ ',' +str(center_y) +')' #把坐标转化为字符串
cv2.putText(draw_img,str1,(center_x-50,center_y+40),cv2.FONT_HERSHEY_SIMPLEX,1,(255,255,0),2,cv2.LINE_AA)#绘制坐标点位
return draw_img
###主函数部分
#创建颜色字典
color_dist = {'red': {'Lower': np.array([0, 60, 60]), 'Upper': np.array([6, 255, 255])},
'yellow': {'Lower': np.array([15, 160, 50]), 'Upper': np.array([35, 255, 255])},
'green': {'Lower': np.array([50, 50, 50]), 'Upper': np.array([130, 255, 255])},
}
#目标颜色
target_color = ['green','yellow']
#创建目标列表
target_list=[]
img = cv2.imread(r'D:lesson\balloom.jpg',cv2.COLOR_BGR2RGB) #读入图像（直接读入灰度图）
draw_img = img.copy() #为保护原图像不被更改而copy了一份，下面对图像的修改都是对这个副本进行的
erode_hsv = good_thresh_img(img)
final_inRange_hsv = select_color_img(target_color,erode_hsv)
contours = extract_contour(final_inRange_hsv)
draw_img = find_target(contours,draw_img)
final_img = draw_center(target_list,draw_img)
cv_show('final_img',final_img)
效果展示
颜色提取效果：
绘制外接矩形及中心点的效果：
到此这篇关于Python+OpenCV实现基于颜色的目标识别的文章就介绍到这了,更多相关Python OpenCV基于颜色的目标识别内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！