3.4.4- 先颜色后形状的方式 STM32串口通信 openmv+STM32串口通信 openmv串口通信openmv识别物体 openmv神经网络训练 openmv数字识

非常详细的视频和文字教程，讲解常见的openmv教程包括 巡线、物体识别、圆环识别、阈值自动获取等。非常适合学习openmv、K210、K230等项目
视频合集链接在:

openmv教程合集 openmv入门到项目开发 openmv和STM32通信 openmv和opencv区别 openmv巡线 openmv数字识别教程LCD

3.4.4- 先颜色后形状的方式

可以再试试先颜色后形状的识别方式。

import sensor, image, time
#教程作者:好家伙VCC
#欢迎交流群QQ: 771027961 作者邮箱: [email protected]
#更多教程B站主页:[好家伙VCC的个人空间-好家伙VCC个人主页-哔哩哔哩视频](https://space.bilibili.com/434192043)
#淘宝主页链接:[首页-好家伙VCC-淘宝网](https://shop415231378.taobao.com)
#更多嵌入式手把手教程-尽在好家伙VCC
# 定义红色的颜色阈值（L, A, B），适用于Lab颜色空间
# 这个阈值用于识别红色区域，通过调整这些阈值来控制对红色的敏感度。
# 每个元组中的6个值分别表示Lab颜色空间中的L、A、B三个分量的最小值和最大值。
red_threshold = [(35, 69, 41, 127, -14, 57)]  # (L_min, L_max, A_min, A_max, B_min, B_max)

# 初始化摄像头模块
sensor.reset()  # 重置摄像头，准备工作
sensor.set_pixformat(sensor.RGB565)  # 设置摄像头的像素格式为RGB565（16位色深）
sensor.set_framesize(sensor.QQVGA)  # 设置摄像头的分辨率为QQVGA（160x120）

# *************************** 如果不需要镜像就注释掉以下代码 **************************
# 摄像头的镜像和翻转操作，根据摄像头模块的安装方向决定是否需要
sensor.set_vflip(True)  # 设置垂直翻转。如果摄像头安装方向需要翻转，启用此选项
sensor.set_hmirror(True)  # 设置水平翻转。如果摄像头安装方向需要翻转，启用此选项
# *************************** 如果不需要镜像就注释掉以上代码 **************************

sensor.skip_frames(time=2000)  # 跳过前几帧的图像，确保图像稳定，防止刚开机时图像不清晰
sensor.set_auto_gain(False)  # 关闭自动增益，用于颜色追踪，避免自动增益影响颜色识别
sensor.set_auto_whitebal(False)  # 关闭自动白平衡，用于颜色追踪，避免自动白平衡影响颜色识别

# 创建一个时钟对象，用于计算和控制帧率
clock = time.clock()  # 用于控制循环的时间和帧率

# 主循环，不断获取摄像头图像并进行处理
while(True):
    clock.tick()  # 计时当前帧的处理时间，更新帧率
    # 获取当前图像，并进行镜头畸变校正
    img = sensor.snapshot().lens_corr(1.8)  # 纠正镜头畸变，1.8是畸变系数，用于保证图像无畸变

    # 颜色过滤：提取红色区域
    # 使用颜色阈值过滤红色区域，返回的是一组与红色相匹配的区域（blobs）
    # 这里使用了red_threshold来限制颜色范围，只识别红色区域，像素数阈值为100，区域最小面积为100
    blobs = img.find_blobs(red_threshold, pixels_threshold=100, area_threshold=100, merge=True)

    # 对每个找到的红色区域进行处理
    for blob in blobs:
        # blob.rect 是该颜色区域的边界矩形，格式为 (x, y, w, h)
        # x, y是矩形的左上角坐标，w是宽度，h是高度
        # 在该颜色区域内进一步进行形状检测（如圆形）
        area = (blob.x(), blob.y(), blob.w(), blob.h())  # 获取区域的矩形边界框

        # 获取该区域内的颜色统计信息（统计颜色分布），帮助分析区域内的颜色均衡
        # stats 变量包含了图像区域内的平均色调等信息
        statistics = img.get_statistics(roi=area)  # 获取区域内颜色的统计信息
        #print(statistics)  # 打印该区域的颜色统计信息，便于调试和查看

        # 对颜色区域进行更严格的圆形检测
        # 使用霍夫变换查找圆形（基于该区域的边界框）
        circles = img.find_circles(
            threshold=2500,  # 设置圆形检测的阈值，较高的值意味着更明显的圆形才能被检测到
            x_margin=10,     # 圆心的X坐标允许的误差范围
            y_margin=10,     # 圆心的Y坐标允许的误差范围
            r_margin=10,     # 圆半径的允许误差范围
            r_min=2,         # 圆的最小半径（像素），根据需求可以调整
            r_max=100,       # 圆的最大半径（像素），根据需求可以调整
            r_step=2         # 圆半径变化的步长（像素）
        )

        # 检查霍夫变换返回的圆形列表
        # circles是一个包含多个圆的列表，每个圆有圆心坐标(x, y)和半径r
        for c in circles:
            # 检查圆形的检测结果是否确实位于红色区域内，避免误判
            # 判断该圆的中心是否位于红色区域的矩形内
            if blob.x() <= c.x() <= blob.x() + blob.w() and blob.y() <= c.y() <= blob.y() + blob.h():
                # 如果检测到圆形且圆形位于红色区域内，绘制圆框
                img.draw_circle(c.x(), c.y(), c.r(), color=(192, 255, 0))  # 用绿色绘制圆形
                print("Circle found: x = {}, y = {}, radius = {}".format(c.x(), c.y(), c.r()))
            else:
                # 如果圆形不在红色区域内，绘制白色圆框
                img.draw_circle(c.x(), c.y(), c.r(), color=(255, 255, 255))  # 白色
    # 打印当前帧率（每秒帧数），便于调试性能
    # FPS表示每秒处理的帧数，是衡量图像处理效率的标准
    print("FPS %f" % clock.fps())  # 输出当前的帧率（每秒帧数），以便调试图像处理速度