作者: 阿凯 出品: 1Z实验室(1zlab) Make Things Easy
在OpenCV上实现颜色识别是很多人入门计算机视觉(OpenCV)首先会去学习的算法.
而且颜色识别可以广泛应用于色块追踪, 巡线等机器人项目.
为了方便大家入门OpenCV以及使用OpenCV实现颜色识别, 阿凯编写了相关的上位机脚本, 同时也有. 刚开始的时候, 你的精力可以放在算法流程上面, 没必要在前期过于关注代码的细节. 脚本的代码阿凯也是逐行注释的, 也可以作为你的项目参考 .
备注: 代码兼容Windows, Mac, Ubuntu
桌面上放置着一个瓶盖, 如果我们想识别蓝色瓶盖的话, 第一步就需要截取蓝色瓶盖的蓝色区域的子图(ROI, Region Of Interest, 感兴趣区域).
选择ROI区域代码在01-选择ROI区域文件夹下. 代码演示视频见: 01-选择ROI区域/演示视频
python select_roi.py "图片文件路径"例如:
python select_roi.py demo-pic.png
截取出来的图像就是这样的.
获取了瓶盖的子图之后, 我们就要对图片在HSV颜色空间(color space)下的统计进行可视化的绘制, 从而获取颜色阈值的初步参考范围.
图像颜色统计HSV在02-图像颜色统计HSV文件夹下. 代码演示视频见: 02-图像颜色统计HSV/演示视频
脚本使用方法
python img_hsv_stat.py <图片路径>应用举例.
python img_hsv_stat.py image_roi.png
观察上面的统计图,我们可以获取到蓝色瓶盖在HSV颜色空间下的分布.
| 通道(Channel) | 最小值(Min) | 最大值(Max) |
|---|---|---|
| H: Hue 色调/色彩 | 96 | 114 |
| S: Saturation 饱和度 | 210 | 255 |
| V: Value 明暗 | 174 | 216 |
有了大致的颜色范围还不行, 我们需要借助颜色阈值调节工具去细化, 对阈值进行微调. 阈值的初始设定,按照之前获取的大致范围开始.然后按照阈值进行图像二值化(binary), 满足阈值条件的像素点为白色, 不满足阈值条件的像素为黑色.
HSV颜色阈值动态调节工具 在03-HSV颜色阈值动态调节工具 文件夹下. 代码演示视频见: 03-HSV颜色阈值动态调节工具 /演示视频
脚本使用说明
python ThresholdEditorGUIHsv.py + <图片路径>例如:
python ThresholdEditorGUIHsv.py demo-pic.png阈值调节目标
调节目标,就是要让目标颜色区域变为白色.
选中窗口,按E键盘退出程序.
获取到颜色阈值了,我们就可以检索画面中的色块啦.
色块识别 在04-色块识别 文件夹下. 代码演示视频见: 04-色块识别 /演示视频
脚本使用方法
运行测试程序test_color_feature.py
python test_color_feature.py
默认是从视频中读入视频流, 并显示识别后的视频.
如果是从图片中读入的话就调整一下代码注释:
if __name__ == "__main__":
# 测试图片色块识别
test_color_block_finder_01()
# 测试视频流色块识别
# test_color_block_finder_02()色块识别的核心算法已经封装在color_block_finder.py 里面的color_block_finder 函数中, 函数返回的是Tuple类型的矩形区域. 通过draw_color_block_rect 函数可以绘制画面中的色块.
颜色阈值如果要调整的话, 调整这里:
lowerb = (minH, minS, minV)upperb = (maxH, maxS, maxV)
def test_color_block_finder_02():
'''
色块识别测试样例2 从视频流中读取并且识别
'''
# 视频路径
video_path = 'demo-video.mkv'
# 颜色阈值下界(HSV) lower boudnary
lowerb = (96, 210, 85)
# 颜色阈值上界(HSV) upper boundary
upperb = (114, 255, 231)