OpenCV 颜色检测

1.导入必要的包并初始化相机

import cv2
import numpy as np
 
# Reading the image
img = cv2.imread('test.jpg')
 
# Showing the output
 
cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 从输入图像中检测颜色并创建MASK

# convert to hsv colorspace
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
 
# lower bound and upper bound for Green color
lower_bound = np.array([25, 52, 72])
upper_bound = np.array([100, 255, 255])
 
# find the colors within the boundaries
mask = cv2.inRange(hsv, lower_bound, upper_bound)

 3. 从MASK中去除不必要的噪音

np.ones((7,7),np.uint8) 创建一个 5×5 8 位整数矩阵。
cv2.MORPH_CLOSE 从白色区域中去除不必要的黑噪声。
cv2.MORPH_OPEN 从遮罩的黑色区域去除白噪声。

#define kernel size  
kernel = np.ones((7,7),np.uint8)
 
# Remove unnecessary noise from mask
 
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

4. 在图像上应用mask

# Segment only the detected region
segmented_img = cv2.bitwise_and(img, img, mask=mask)

5. 绘制检测到的对象的边界

# Find contours from the mask
contours, hierarchy = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
 
output = cv2.drawContours(segmented_img, contours, -1, (0, 0, 255), 3)
 
# Showing the output
imgs = np.hstack([img, output])
cv2.imshow("Image", imgs)

 6. 用矩形方框画颜色区域 （忽略4到5步骤）

找到区域面积大于300的，加入到color_bounding_rect链表里

# For greencolor
mask = cv2.dilate(mask, kernel)
 
# Creating contour to track red color
contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print('contours', contours)
# print('hierarchy', hierarchy)
color_bounding_rect = list()
min_area = 300
 
for pic, contour in enumerate(contours):
 
    area = cv2.contourArea(contour)
    if (area > min_area):
        color_bounding_rect.append(cv2.boundingRect(contour))

7. 画绿色颜色的方框，并且标上Green

for  x, y, w, h  in color_bounding_rect:
    print('x, y, w, h', x, y, w, h)
    img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
 
    cv2.putText(img, "green", (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255))
 
 
cv2.imshow("Image", img)

相关函数解释

1.  cv2.dilate(A, B)

• 此操作包括将图像 A 与一些内核 (B) 进行卷积，该内核可以具有任何形状或大小，通常是正方形或圆形。
• 内核 B 有一个定义的锚点，通常是内核的中心。
• 当内核 B 在图像上扫描时，我们计算与 B 重叠的最大像素值，并将锚点位置的图像像素替换为该最大值。 正如您可以推断的那样，这种最大化操作会导致图像中的明亮区域“增长”（因此称为膨胀）。
• 膨胀运算为： 

效果如下：

2.  cv2.erode(A, B)

和Dilate函数差不多，不一样的地方是用B做卷机后取最小值

效果如下：

​​​​​​​​​​​​​​

 3. image,contours,hierarchy = cv2.findContours(contour,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

输入：

contour：带有轮廓信息的图像；

cv2.RETR_TREE：提取轮廓后，输出轮廓信息的组织形式，除了cv2.RETR_TREE还有以下几种选项：

• cv2.RETR_EXTERNAL：输出轮廓中只有外侧轮廓信息；
• cv2.RETR_LIST：以列表形式输出轮廓信息，各轮廓之间无等级关系；
• cv2.RETR_CCOMP：输出两层轮廓信息，即内外两个边界（下面将会说到contours的数据结构）；
• cv2.RETR_TREE：以树形结构输出轮廓信息。

cv2.CHAIN_APPROX_SIMPLE：指定轮廓的近似办法，有以下选项：

• cv2.CHAIN_APPROX_NONE：存储轮廓所有点的信息，相邻两个轮廓点在图象上也是相邻的；
• cv2.CHAIN_APPROX_SIMPLE：压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标；
• cv2.CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法保存轮廓信息。
   

输出：

python3里返回三个值：image,contours,hierarchy

image：可能是跟输入contour类似的一张二值图；

contours：list结构，列表中每个元素代表一个边沿信息。每个元素是(x,1,2)的三维向量，x表示该条边沿里共有多少个像素点，第三维的那个“2”表示每个点的横、纵坐标；

注意：如果输入选择cv2.CHAIN_APPROX_SIMPLE，则contours中一个list元素所包含的x点之间应该用直线连接起来，这个可以用cv2.drawContours()函数观察一下效果。

hierarchy：返回类型是(x,4)的二维ndarray。x和contours里的x是一样的意思。如果输入选择cv2.RETR_TREE，则以树形结构组织输出，hierarchy的四列分别对应下一个轮廓编号、上一个轮廓编号、父轮廓编号、子轮廓编号，该值为负数表示没有对应项。

参考资料

OpenCV: Eroding and Dilating