1-7 掩膜的运用 opencv树莓派4B 入门系列笔记

Sisphusssss

于 2024-09-02 00:06:26 发布

阅读量497

点赞数 17

分类专栏：树莓派文章标签： opencv 笔记人工智能 python 学习计算机视觉

本文链接：https://blog.csdn.net/2301_80015907/article/details/141758881

版权

树莓派专栏收录该内容

9 篇文章 0 订阅

订阅专栏

一、提前准备

二、代码详解

num_pixels = np.sum(mask == 255)

contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

c = max(contours, key=cv2.contourArea)

x, y, w, h = cv2.boundingRect(c)

M = cv2.moments(contours[0]) if contours else None

cX = int(M["m10"] / M["m00"])

area = cv2.contourArea(contours[0]) if contours else 0

三、运行结果

四、完整代码

五、完整代码贴出

一、提前准备

1、树莓派4B 及 64位系统

2、提前安装opencv库以及 numpy库

3、保存一张图片

二、代码详解

1、图像覆盖掩膜

# 这行指定了文件的编码格式为utf-8
# coding=utf-8 
 
import cv2
import numpy as np
 
# 使用cv2.imread函数读取指定路径下的图片文件。第二个参数1表示读取彩色图像（BGR格式）
img = cv2.imread('/home/raspberry4B/Pictures/MD.jpg', 1)

# 将图像从BGR色彩空间转换为HSV色彩空间。HSV色彩空间更适用于颜色范围检测，因为它基于色调(H)、饱和度(S)和亮度(V)。
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
 
# 定义一个NumPy数组，表示HSV色彩空间中颜色的下界。这里的数值代表色调、饱和度和亮度的最小值。 
lower_range = np.array([101, 100, 100], dtype=np.uint8)
# 定义一个NumPy数组，表示HSV色彩空间中颜色的上界。这里的数值代表色调、饱和度和亮度的最大值。  
upper_range = np.array([121, 255, 255], dtype=np.uint8)
 
# 使用cv2.inRange函数根据指定的HSV颜色范围创建一个掩码图像。该掩码图像中，属于指定颜色范围的像素值为255（白色），其他像素值为0（黑色）。  
mask = cv2.inRange(hsv, lower_range, upper_range)

2、计算掩膜覆盖的像素

# 计算掩膜覆盖的像素
num_pixels = np.sum(mask == 255)  # 或者 np.count_nonzero(mask)  
print(f"Number of pixels in the mask: {num_pixels}")

`num_pixels = np.sum(mask == 255)`

功能: 计算掩码图像中像素值为255的总数，即在指定颜色范围内的像素数量。
参数:
- mask == 255: 生成一个与mask大小相同的布尔数组，其中像素值为255的对应位置为True。
结果: 返回符合条件的像素总数。

3、找到最大轮廓

# 使用OpenCV的findContours函数找到轮廓  通过寻找掩膜中所有非零像素的边界，您可以得到这些像素在图像中的位置。
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)   
# 假设我们只关心最大的轮廓（即最大的物体）   
if contours:  
    c = max(contours, key=cv2.contourArea)  
    x, y, w, h = cv2.boundingRect(c)  
    print(f"Bounding box of the object: ({x}, {y}), ({w}, {h})")

`contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)`

功能: 使用cv2.findContours函数在掩码图像中找到轮廓。
参数:
- mask: 输入的二值图像。
- cv2.RETR_EXTERNAL: 仅检测外部轮廓，不考虑嵌套轮廓。
- cv2.CHAIN_APPROX_SIMPLE: 压缩水平、垂直和对角直线段，保留其端点。
结果: 返回的contours是一个包含所有轮廓的列表。

`c = max(contours, key=cv2.contourArea)`

功能: 找到最大的轮廓，即具有最大面积的轮廓。
参数:
- contours: 包含所有轮廓的列表。
- key=cv2.contourArea: 使用轮廓面积作为比较的关键字。

`x, y, w, h = cv2.boundingRect(c)`

功能: 使用cv2.boundingRect函数为最大的轮廓计算边界框（bounding box）。
参数:
- c: 最大的轮廓。
结果: 返回边界框的左上角坐标(x, y)及其宽度w和高度h。

4、计算掩膜覆盖物体的质心

# 计算掩膜中物体的质心 质心是物体所有像素的加权平均位置
M = cv2.moments(contours[0]) if contours else None  
if M != None:  
    cX = int(M["m10"] / M["m00"])  
    cY = int(M["m01"] / M["m00"])  
    print(f"Centroid of the object: ({cX}, {cY})")

`M = cv2.moments(contours[0]) if contours else None`

功能: 计算轮廓的几何矩（moments）。
参数:
- contours[0]: 使用第一个（最大）轮廓。
结果: 返回一个字典，包含计算出的所有几何矩。如果没有轮廓，返回None。

`cX = int(M["m10"] / M["m00"])`

功能: 计算物体的质心（centroid）。
参数:
- M["m10"]: 几何矩中的m10，即第一阶的x方向矩。
- M["m00"]: 几何矩中的m00，即零阶矩（面积）。
结果: 计算出质心的x坐标cX。

5、计算掩膜物体的面积

# 计算掩膜中物体的面积 这可以通过计算掩膜中非零像素的数量来实现
area = cv2.contourArea(contours[0]) if contours else 0  
print(f"Area of the object: {area}")

`area = cv2.contourArea(contours[0]) if contours else 0`

功能: 使用cv2.contourArea函数计算轮廓的面积。
参数:
- contours[0]: 使用第一个（最大）轮廓。
结果: 返回轮廓的面积。

6、主函数

# 使用cv2.imshow函数显示掩码图像，窗口标题为'mask'。  
cv2.imshow('mask',mask)
# 使用cv2.imshow函数显示原始图像（经过缩放和色彩空间转换后），窗口标题为'image'。  
cv2.imshow('image', img)
 
 
while(1):
#等待用户按键，按下‘q’就释放资源退出程序
    key=cv2.waitKey(1)
    if key&0XFF==ord('q'):
        break
 
cv2.destroyAllWindows()

三、运行结果

四、完整代码

# 这行指定了文件的编码格式为utf-8
# coding=utf-8 
 
import cv2
import numpy as np
 
# 使用cv2.imread函数读取指定路径下的图片文件。第二个参数1表示读取彩色图像（BGR格式）
img = cv2.imread('/home/raspberry4B/Pictures/MD.jpg', 1)
 
# 使用cv2.resize函数调整图像大小。这里，目标宽度和高度被设置为(0,0)，表示将按照给定的缩放因子fx和fy来缩放图像。  
# fx=0.2和fy=0.2表示图像在水平和垂直方向上都将缩小到原来的20%。 
#img = cv2.resize(img, (0,0), fx=0.2, fy=0.2)
 
# 将图像从BGR色彩空间转换为HSV色彩空间。HSV色彩空间更适用于颜色范围检测，因为它基于色调(H)、饱和度(S)和亮度(V)。
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
 
# 定义一个NumPy数组，表示HSV色彩空间中颜色的下界。这里的数值代表色调、饱和度和亮度的最小值。 
lower_range = np.array([101, 100, 100], dtype=np.uint8)
# 定义一个NumPy数组，表示HSV色彩空间中颜色的上界。这里的数值代表色调、饱和度和亮度的最大值。  
upper_range = np.array([121, 255, 255], dtype=np.uint8)
 
# 使用cv2.inRange函数根据指定的HSV颜色范围创建一个掩码图像。该掩码图像中，属于指定颜色范围的像素值为255（白色），其他像素值为0（黑色）。  
mask = cv2.inRange(hsv, lower_range, upper_range)

# 计算掩膜覆盖的像素
num_pixels = np.sum(mask == 255)  # 或者 np.count_nonzero(mask)  
print(f"Number of pixels in the mask: {num_pixels}")

# 使用OpenCV的findContours函数找到轮廓  通过寻找掩膜中所有非零像素的边界，您可以得到这些像素在图像中的位置。
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)   
# 假设我们只关心最大的轮廓（即最大的物体）   
if contours:  
    c = max(contours, key=cv2.contourArea)  
    x, y, w, h = cv2.boundingRect(c)  
    print(f"Bounding box of the object: ({x}, {y}), ({w}, {h})")
    
# 计算掩膜中物体的质心 质心是物体所有像素的加权平均位置
M = cv2.moments(contours[0]) if contours else None  
if M != None:  
    cX = int(M["m10"] / M["m00"])  
    cY = int(M["m01"] / M["m00"])  
    print(f"Centroid of the object: ({cX}, {cY})")
    
# 计算掩膜中物体的面积 这可以通过计算掩膜中非零像素的数量来实现
area = cv2.contourArea(contours[0]) if contours else 0  
print(f"Area of the object: {area}")

# 使用cv2.imshow函数显示掩码图像，窗口标题为'mask'。  
cv2.imshow('mask',mask)
# 使用cv2.imshow函数显示原始图像（经过缩放和色彩空间转换后），窗口标题为'image'。  
cv2.imshow('image', img)
 
 
while(1):
#等待用户按键，按下‘q’就释放资源退出程序
    key=cv2.waitKey(1)
    if key&0XFF==ord('q'):
        break
 
cv2.destroyAllWindows()