OpenCV（三）：一步步实现图像定位（Python版）

---

一、预期目标

如下图，要识别图中的国旗，然后框选出来，并且返回国旗的中心位置，效果如下:

彩色图像大小: (400,264)
目标中心位置: (225, 218)

---

二、准备工作
1、将下面的图像另存为在本地，命名为 findflag.jpg

2、新建Python文件 findflag.py，与图像保存在同一目录下。

---

三、开始编写代码

1、读取与显示图像

# coding:UTF-8
# v1--读取与显示图像
import cv2
import numpy as np

img_bgr = cv2.imread('./findflag.jpg')   #读取图像

cv2.imshow('原始图像', img_bgr)            #显示图像
cv2.waitKey(0)
cv2.destroyAllWindows()

执行python findflag.py，能够正常显示图像
注意OpenCV里面的图像矩阵为 BGR 格式，而不是 RGB

2、根据 HSV 获得目标

# coding:UTF-8
# v2--获取红旗部分
import cv2
import numpy as np

## 图像类型转换
img_bgr = cv2.imread('./findflag.jpg')                  # 读取彩色图像
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)      # 转化为 HSV 格式
thresh1 = np.array([0, 120, 120])                       # 目标红旗的低阈值
thresh2 = np.array([10, 255, 255])                      # 目标红旗的高阈值
img_flag = cv2.inRange(img_hsv, thresh1, thresh2)       # 获取红旗部分
    
cv2.imshow('原始图像', img_bgr)                          #显示图像           
cv2.imshow('红旗图像', img_flag)
cv2.waitKey(0)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 代码中，首先变化为 HSV 格式，因为 HSV 格式更利于做图像处理，具体原因可以参考RGB、HSV和HSL颜色空间。
• thresh1 的三个变量分别为 H（色度）、S（饱和度）、V（亮度）分量，[thresh1, thresh2] 之间的便是红旗的颜色。
• cv2.inRange(…) 返回一个图像矩阵（此处：256×400），大于阈值 thresh2 的为255（白色），小于阈值 thresh1 的为0（黑色），中间部分不变。
• cv2.bitwise_and(…) 函数是将图像进行与运算，使用来掩膜参数 mask，其效果相当于先把掩膜flag 和图像 img_hsv 相成，结果是除了红旗和噪声，其他地方为 0（黑色）。
  红旗部分效果如下，可见成功提取到红旗部分，但是含有少量噪声。
  

3、图像滤波

# coding:UTF-8
# v3--形态学滤波
import cv2
import numpy as np

## 图像类型转换
img_bgr = cv2.imread('./findflag.jpg')                  # 读取彩色图像
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)      # 转化为 HSV 格式
thresh1 = np.array([0, 120, 120])                       # 目标红旗的低阈值
thresh2 = np.array([10, 255, 255])                      # 目标红旗的高阈值
img_flag = cv2.inRange(img_hsv, thresh1, thresh2)       # 获取红旗部分
 
## 形态学滤波   
img_morph = img_flag.copy()                             # 复制图像
cv2.erode(img_morph, (3,3), img_morph, iterations= 3)   # 腐蚀运算
cv2.dilate(img_morph, (3,3), img_morph, iterations= 3)  # 膨胀运算

## 显示图像
cv2.imshow('原始图像', img_bgr)                         
cv2.imshow('红旗图像', img_flag)
cv2.imshow('滤波图像', img_morph)
cv2.waitKey(0)
cv2.waitKey(0)
cv2.destroyAllWindows()

此处采用形态学（morphology）滤波算法，首先使用 （3×3）的核腐蚀 3次，然后又膨胀 3次，达到滤波效果，如下图：

4、特征显示

# coding:UTF-8
# v1--读取与显示图像
import cv2
import numpy as np

## 图像类型转换
img_bgr = cv2.imread('./findflag.jpg')                  # 读取彩色图像
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)      # 转化为 HSV 格式
thresh1 = np.array([0, 120, 120])                       # 目标红旗的低阈值
thresh2 = np.array([10, 255, 255])                      # 目标红旗的高阈值
img_flag = cv2.inRange(img_hsv, thresh1, thresh2)       # 获取红旗部分
    
## 形态学滤波
img_morph = img_flag.copy()                             # 复制图像
cv2.erode(img_morph, (3,3), img_morph, iterations= 3)   # 腐蚀运算
cv2.dilate(img_morph, (3,3), img_morph, iterations= 3)  # 膨胀运算


## 获取图像特征
_, cnts, _ = cv2.findContours(img_morph, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 获取图像轮廓
cnts_sort = sorted(cnts, key= cv2.contourArea, reverse= True) # 将轮廓包含面积从大到小排列
box = cv2.minAreaRect(cnts_sort[0])                     # 选取包含最大面积的轮廓，并得出最小外接矩形
points = np.int0(cv2.boxPoints(box))                    # 获得该矩形的四个定点

cen_v = (points[0,0] + points[2,0]) / 2                 # 得出横向中心
cen_h = (points[0,1] + points[2,1]) / 2                 # 得出纵向中心
rows, cols = img_bgr.shape[:2]
print '彩色图像大小: (' + str(cols) + ', ' + str(rows) + ')'
print '目标中心位置: (' + str(cen_h) + ', ' + str(cen_v) + ')'

cv2.drawContours(img_bgr, [points], -1, (255,0,0), 2)         # 在原图上绘制轮廓

## 显示图像  
cv2.imshow('框选图像', img_bgr)                                    
cv2.imshow('红旗图像', img_flag)
cv2.imshow('滤波图像', img_morph)
cv2.waitKey(0)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 其中，cv2.findContours(…) 寻找轮廓，并建立一个等级树结构，记录的轮廓采用压缩值，例如一个矩形只用4点记录。返回各个轮廓只 cnts 中。
• 然后对各个轮廓从大到小排列，我们选择包含面积最大的轮廓（不一定是轮廓点数最多的），得出其最小外接矩形，这个矩形只用了 4 个点记录，如下图：
  
• 接下来计算目标图像中心并显示
• cv2.drawContours(img_bgr, [points], -1, (255,0,0), 2) 的意思是在图像 img_bgr 上叠加轮廓，轮廓为 points 构成的向量，-1：负数显示所有轮廓，填充颜色为蓝色，宽度为 2像素。

运行即可得到最终结果，如下：