首页 > 分享 > Opencv之颜色识别

Opencv之颜色识别

花匠小妙招
2024-12-15 00:12

用Opencv之颜色识别

1.以下是我的基本流程：读入图像图像转成HSV高斯滤波筛选需要识别的颜色腐蚀操作找出轮廓画出轮廓

接下来是我的总代码：

import cv2 import numpy as np import re #颜色RBG取值 color = { "blue": {"color_lower": np.array([100, 43, 46]), "color_upper": np.array([124, 255, 255])}, "red": {"color_lower": np.array([156, 43, 46]), "color_upper": np.array([180, 255, 255])}, "yellow": {"color_lower": np.array([26, 43, 46]), "color_upper": np.array([34, 255, 255])}, "green": {"color_lower": np.array([35, 43, 46]), "color_upper": np.array([77, 255, 255])}, "purple": {"color_lower": np.array([125, 43, 46]), "color_upper": np.array([155, 255, 255])}, "orange": {"color_lower": np.array([11, 43, 46]), "color_upper": np.array([25, 255, 255])} } def title(): print("*"*50+"颜色识别"+"*"*50) imge = input("请输入你图片的路径：") print('识别颜色种类有："blue","red","yellow","green","purple","orange"') color_0 = input("请输入你想要识别的颜色：") return color_0,imge def cv_show(name, img): cv2.imshow(name, img) cv2.waitKey(0) cv2.destroyAllWindows() def content(color_0, imge): imge = cv2.imread(imge) # imge = cv2.imread('D:Picturenetworkcolor.jpg') cv_show("img", imge) #展示原图 # print(img.shape) img = cv2.cvtColor(imge, cv2.COLOR_BGR2HSV) #转成HSV img = cv2.GaussianBlur(img, (5, 5), 0) #高斯滤波降噪，模糊图片 # img = cv2.threshold(img, 127,255, cv2.THRESH_BINARY)[1] color_img = cv2.inRange(img, color[color_0]["color_lower"], color[color_0]["color_upper"])#筛选出符合的颜色 kernel = np.ones((3, 3), np.uint8) #核定义 color_img = cv2.erode(color_img, kernel, iterations=2) #腐蚀除去相关性小的颜色 color_img = cv2.GaussianBlur(color_img, (5, 5), 0) #模糊图像 cnts = cv2.findContours(color_img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1] #找出轮廓 for cnt in cnts: #遍历所有符合的轮廓 x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(imge, (x, y), (x+w, y+h), (0, 0, 255), 2) #cv2.drawContours(imge.copy(), cnt, -1, (0, 0, 255), 2) cv_show("img", imge) #展示处理后的图片 color_0, imge= title() content(color_0, imge)

1234567891011121314151617181920212223242526272829303132333435363738394041424344454647

颜色的可以根据自己的需求增加下边界和上边界的数组或标量

2.读入图像

imge = cv2.imread(imge) # imge = cv2.imread('D:Picturenetworkcolor.jpg') cv_show("img", imge) #展示原图 123

读入本地图片

3.图像转成HSV

img = cv2.cvtColor(imge, cv2.COLOR_BGR2HSV) #转成HSV 1

由于计算机对于RGB图像的饱和度不是很直观，所以需要转成HSV图像进行操作。
第一个参数是需要转换的图像；第二个参数是cv2中的内置参数。

4.高斯滤波

img = cv2.GaussianBlur(img, (5, 5), 0) #高斯滤波降噪，模糊图片 1

图像可能带有噪音点，需要用高斯滤波进行降噪处理，模糊图像使识别的范围更广更准确。
第一个参数是读入的图像；第二个参数是高斯核的大小，一般取奇数；第三个参数取标准差为0。

5.筛选需要识别的颜色

color_img = cv2.inRange(img, color[color_0]["color_lower"], color[color_0]["color_upper"])#筛选出符合的颜色 1

通过已经定好的颜色下边界的数组和上边界的数组，来识别出相应的颜色。
第一个参数是读入的图像；第二，三个参数是下上边界的数组。

6.腐蚀操作

kernel = np.ones((3, 3), np.uint8) #核定义 color_img = cv2.erode(color_img, kernel, iterations=2) #腐蚀除去相关性小的颜色 12

因为筛选出来的颜色有些可能在图片的毛刺部分，不是我们想要的结果，会导致误差，因此需要用腐蚀操作进行处理。
先自定义一个核kernel，第一个参数是传入的图像；第二个参数是核；第三个参数是腐蚀的次数。

7.找出轮廓

cnts = cv2.findContours(color_img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[1] #找出轮廓 1

找出上面所操作的图像的轮廓。
第一个参数是传入的是copy（）上述操作过后的图像，不加copy的话会直接在原图操作；第二个参数是cv2的内置函数，找出满足条件的外轮廓；第三个参数是cv2的内置函数，找出对应轮廓拐点信息。

8.画出轮廓

for cnt in cnts: #遍历所有符合的轮廓 x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(imge, (x, y), (x+w, y+h), (0, 0, 255), 2) #cv2.drawContours(imge.copy(), cnt, -1, (0, 0, 255), 2) 1234

在原图画出矩形轮廓。
这里用到cv2.boundingRect，传入上述轮廓信息，找出矩形在图像中的位置和长宽值，接下来用到cv2.rectangle画出相应的矩形，第一个参数是原图图像；第二个参数是矩形左上角的坐标值；第三个参数是矩形右下脚的坐标值；第四个参数是线条的颜色；第五个参数是线条的粗细程度。
实际检测可能有所误差…需要做进一步改进。