opencv——颜色识别

颜色识别

---

---

前言

这段时间一直在弄有关机器视觉识别的问题，在比赛中用到了很多关于颜色识别的视觉算法，感觉在开始工作之前还是需要先复习一下颜色识别的相关知识，帮助自己扩展一下优化算法的思维。
一个关于HSV相关应用的文章

---

一、颜色识别是什么？

顾名思义，就是使用摄像头实时识别出画面对应的颜色区块，然后完成下游任务的一种识别方向。
颜色识别需要用于颜色产品的分选、识别、检测等，如流水线瓶盖颜色混装识别，电缆线排线识别，电子元器件色差识别等。系统硬件采用高速彩色相机提取产品颜色，分析图像获得产品颜色信息来检测输出产品的色差、个数、色序等结果

二、图像处理中对颜色的转换

图像处理中对颜色的转换形式有很多种，比较主流的就是RGB、BGR、HSV、HSL，目前在智能小车和比赛中使用的机器摄像头中，视觉算法中，对颜色的处理大多都使用HSV。
HSV颜色模式
HSV： HSV模型，是针对用户观感的一种颜色模型，侧重于色彩表示，什么颜色、深浅如何、明暗如何。基于上述理由，在图像处理中使用较多的是 HSV 颜色空间，它比 RGB 更接近人们对彩色的感知经验。非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。
在 HSV 颜色空间下，比 BGR 更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。

• H：Hue,（色调、色相）
• S：Saturation,（饱和度、色彩纯净度）
• V：Value,（明度）
  
  

HSV色域空间常用圆锥图表示，也有用圆柱图表示的，维基百科中有对HSV进行详细的介绍
维基百科——HSL和HSV
注意，加法原色和次色（红色、黄色、绿色、青色、蓝色和品红色）以及相邻对之间的线性混合物（有时称为纯色）排列在饱和度为 1 的圆柱体外边缘周围。 这些饱和的颜色在HSL中的亮度为0.5，而在HSV中，它们的值为1。
在OpenCV中 ，HSV的取值范围分别是 H:(0-180)，S:(0-255)，V:(0-255)。

在有限的时间里，我将要对HSV的使用进行一个总结，和一个算法优化比对。

三、HSV的相关函数和应用流程

• HSV的相关引用大致分为以下流程：
  • 颜色模型转换
  • 颜色过滤
  • 形态学操作
  • 位运算
  • 可视化

步骤展示

• 获取图像：首先，需要从摄像机或存储设备中获取原始图像。
• 颜色模型转换：然后，将原始图像转换为HSV颜色模型，即将RGB值转换为对应的H、S、V值。
• 颜色过滤：根据要识别的颜色范围，对图像进行颜色过滤，即设置HSV的阈值，滤除RGB值不在指定范围内的像素。
• 这里，对一个色环图片进行处理，然后通过调节不同的hsv值来表现上面的操作过程。
  

代码如下（示例）：

import cv2
import numpy as np

def nothing(x):
    pass
#通过Opencv读取图片信息
#src = cv2.imread('image.jpg')
path="D:/PycharmProjects/pythonProject/Use-pic/hsv.jpg"
img =cv2.imread(path)
# img = cv2.imread("D:/PycharmProjects/hsv.jpg")
rows,cols,channels = img.shape
cv2.namedWindow("src", cv2.WINDOW_NORMAL);//可随意调整窗口大小
cv2.imshow("src", img)
cv2.namedWindow("img2", cv2.WINDOW_NORMAL);
cv2.namedWindow('img2',1)

# 创建6个滑条用来操作HSV3个分量的上下截取界限
cv2.createTrackbar('Hlow','img2',62,180,nothing)
cv2.createTrackbar('Hup','img2',99,180,nothing)
cv2.createTrackbar('Slow','img2',198,255,nothing)
cv2.createTrackbar('Sup','img2',255,255,nothing)
cv2.createTrackbar('Vlow','img2',150,255,nothing)
cv2.createTrackbar('Vup','img2',255,255,nothing)

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
while(1):
    #将制定像素点的数据设置为0, 要注意的是这三个参数对应的值是Blue, Green, Red。
    hlow = cv2.getTrackbarPos('Hlow', 'img2')
    hup = cv2.getTrackbarPos('Hup', 'img2')
    slow = cv2.getTrackbarPos('Slow', 'img2')
    sup = cv2.getTrackbarPos('Sup', 'img2')
    vlow = cv2.getTrackbarPos('Vlow', 'img2')
    vup = cv2.getTrackbarPos('Vup', 'img2')
    lower_red = np.array([hlow, slow, vlow])
    upper_red = np.array([hup, sup, vup])
    mask = cv2.inRange(hsv, lower_red, upper_red)
    img2 = cv2.bitwise_and(img, img, mask=mask)

    cv2.imshow("img2", img2)
    k = cv2.waitKey(1)&0xFF
    if k == 27: #esc exit
        brea
cv2.destroyAllWindows()

显示后的结果如下：


所以，我们在读取hsv的时候，就要根据需要调节相应的阈值，那么可以总结为：

import cv2
import numpy as np

def show(img,name):
    cv2.namedWindow(name, cv2.WINDOW_NORMAL)
    cv2.imshow(name,img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

#获取图像
img = cv2.imread("D:/PycharmProjects/pythonProject/Use-pic/hsv.jpg")
#颜色模式转换
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

#通过确定上下限提取范围内的掩膜mask
lower = np.array([170,30 , 30])
upper = np.array([180, 255, 255])
mask = cv2.inRange(hsv_img, lower, upper)

#腐蚀与膨胀处理
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
eroded = cv2.erode(mask, kernel)

#膨胀图像
dilated = cv2.dilate(eroded,kernel)

#位运算
bitwise = cv2.bitwise_and(img,img,mask=dilated)

show(img,"img")
show(mask,"mask")
show(eroded,"eroded")
show(dilated,"dilated")
show(bitwise,"bitwise")


cv2.destroyAllWindows()

这里是常用颜色的相关数值

实例操作

如果我们要识别相机图像中的红色与蓝色，那么我们就可以运用hsv来实现。
原图：

代码如下（示例）：

import cv2
import numpy as np
from matplotlib import pyplot as plt

lower_red = np.array([0, 50, 100])
upper_red = np.array([10, 255, 255])
lower_blue = np.array([100, 50, 100])
upper_blue = np.array([124, 255, 255])  # 若绘制轮廓与自己期望的识别结果相差较大，可通过调整阈值来改变识别结果
red = (0, 0, 225)
blue = (225, 0, 0)

cv2.namedWindow('video', cv2.WINDOW_AUTOSIZE)
cv2.resizeWindow('video', 640, 480)


def img_process(img, lower, upper):
    """根据阈值处理图像，提取阈值内的颜色。返回处理后只留下指定颜色的图像（其余为黑色）
        img：原图像；lower：最低阈值；upper：最高阈值"""
    kernel = np.ones((35, 35), np.uint8)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    Open = cv2.morphologyEx(hsv, cv2.MORPH_OPEN, kernel)
    mask = cv2.inRange(Open, lower, upper)
    res = cv2.bitwise_and(img, img, mask=mask)
    return res


def cnts_draw(img, res, color):
    """在原图像上绘出指定颜色的轮廓。无返回值
        img：原图像；res：只剩某颜色的位与运算后的图像；color：轮廓的颜色"""
    canny = cv2.Canny(res, 100, 200)
    contours, hierarchy = cv2.findContours(canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if len(contours) == 0:
        cv2.imshow('video', img)
        return
    else:
        max_cnt = max(contours, key=cv2.contourArea)
        cv2.drawContours(img, max_cnt, -1, color, 2)
        (x, y, w, h) = cv2.boundingRect(max_cnt)
        cv2.rectangle(img, (x, y), (x + w, y + h), color, 3)
        cv2.imshow('video', img)


def colorfind(img):
    """找到原图像最多的颜色，当该颜色为红色或蓝色时打印出来该颜色的名称，无返回值
        img：原图像"""
    kernel = np.ones((35, 35), np.uint8)
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    Open = cv2.morphologyEx(hsv, cv2.MORPH_OPEN, kernel)
    hist = cv2.calcHist([Open], [0], None, [180], [0, 180])
    hist_max = np.where(hist == np.max(hist))
    if 0 < hist_max[0] < 10:
        print('red')
    elif 100 < hist_max[0] < 124:
        print('blue')
    else:
        return


if __name__ == "__main__":
    cap = cv2.VideoCapture(0)
    while cap.isOpened():
        flag, frame = cap.read()
        if not flag:
            print("无法读取摄像头！")
            break
        else:
            if frame is not None:
                res_blue = img_process(frame, lower_blue, upper_blue)
                res_red = img_process(frame, lower_red, upper_red)
                cnts_draw(frame, res_blue, blue)
                cnts_draw(frame, res_red, red)
                colorfind(frame)
                key = cv2.waitKey(10)
                if key == 27:
                    break
            else:
                print("无画面")
                break

    cap.release()
    cv2.destroyAllWindows()

结果：

---

总结

本文简单介绍hsv在颜色识别上的应用，当然，对于颜色识别还有更高精度的视觉算法。但对于日常颜色识别需求而言，hsv是足够的。