目标
在本教程中,您将学习如何:
- 使用 OpenCV cv::inRange 函数执行基本的阈值操作。
- 根据 HSV 色彩空间中的像素值范围检测对象。
理论
- 在上一教程中,我们学习了如何使用 cv::threshold 函数执行阈值设置。
- 在本教程中,我们将学习如何使用 cv::inRange 函数来做到这一点。
- 这个概念保持不变,但现在我们添加了一系列我们需要的像素值。
HSV 色彩空间
HSV(色调、饱和度、值)色彩空间是一种表示类似于 RGB 颜色模型的色彩空间的模型。由于色调通道对颜色类型进行建模,因此在需要根据颜色分割对象的图像处理任务中非常有用。饱和度的变化从不饱和到表示灰色阴影和完全饱和(无白色分量)。值通道描述颜色的亮度或强度。下图显示了 HSV 气缸。
作者:SharkD衍生作品:SharkD [CC BY-SA 3.0 或 GFDL],通过 Wikimedia Commons
由于 RGB 颜色空间中的颜色是使用三个通道编码的,因此根据图像中的颜色对图像中的对象进行分割更加困难。
作者:SharkD [GFDL or CC BY-SA 4.0],来自 Wikimedia Commons
颜色转换中介绍了使用 cv::cvtColor 函数从一个颜色空间转换为另一个颜色空间的公式
法典 C++爪哇岛蟒
教程代码如下所示。您也可以从这里下载
#include“opencv2/imgproc.hpp”
#include “opencv2/highgui.hpp”
#include “opencv2/videoio.hpp”
#include < iostream>
使用命名空间 CV;
常量 int max_value_H = 360/2;
常量整数 max_value = 255;
const String window_capture_name = “视频捕获”;
const String window_detection_name = “对象检测”;
int low_H = 0, low_S = 0, low_V = 0;
int high_H = max_value_H, high_S = max_value, high_V = max_value;
静态 void on_low_H_thresh_trackbar(int, void *)
{
low_H = min(high_H-1, low_H);
setTrackbarPos(“低 H”, window_detection_name, low_H);
}
静态 void on_high_H_thresh_trackbar(int, void *)
{
high_H = 最大(high_H, low_H+1);
setTrackbarPos(“高 H”, window_detection_name, high_H);
}
静态 void on_low_S_thresh_trackbar(int, void *)
{
low_S = min(high_S-1, low_S);
setTrackbarPos(“低 S”, window_detection_name, low_S);
}
静态 void on_high_S_thresh_trackbar(int, void *)
{
high_S = 最大(high_S, low_S+1);
setTrackbarPos(“高 S”, window_detection_name, high_S);
}
静态 void on_low_V_thresh_trackbar(int, void *)
{
low_V = min(high_V-1, low_V);
setTrackbarPos(“低电压”, window_detection_name, low_V);
}
静态 void on_high_V_thresh_trackbar(int, void *)
{
high_V = max(high_V, low_V+1);
setTrackbarPos(“高V”, window_detection_name, high_V);
}
int main(int argc, char* argv[])
{
VideoCapture cap(argc > 1 ? atoi(argv[1]) : 0);
namedWindow(window_capture_name);
namedWindow(window_detection_name);
用于设置 HSV 值阈值的跟踪栏
createTrackbar(“低 H”, window_detection_name, &low_H, max_value_H, on_low_H_thresh_trackbar);
createTrackbar(“高 H”, window_detection_name, &high_H, max_value_H, on_high_H_thresh_trackbar);
createTrackbar(“低 S”, window_detection_name, &low_S, max_value, on_low_S_thresh_trackbar);
createTrackbar(“高 S”, window_detection_name, &high_S, max_value, on_high_S_thresh_trackbar);
createTrackbar(“低电压”, window_detection_name, &low_V, max_value, on_low_V_thresh_trackbar);
createTrackbar(“高 V”, window_detection_name, &high_V, max_value, on_high_V_thresh_trackbar);
垫架、frame_HSV、frame_threshold;
而 (true) {
框架>>盖;
如果(frame.empty())
{
破;
}
从 BGR 转换 到 HSV 色彩空间
cvtColor(帧, frame_HSV, COLOR_BGR2HSV);
根据 HSV 范围值检测对象
inRange(frame_HSV, Scalar(low_H, low_S, low_V), Scalar(high_H, high_S, high_V), frame_threshold);
显示框架
imshow(window_capture_name,帧);
imshow(window_detection_name, frame_threshold);
char key = (char) waitKey(30);
if (键 == ‘q’ || 键 == 27)
{
破;
}
}
返回 0;
}
解释 C++爪哇岛蟒
让我们检查一下程序的一般结构:
- 从默认或提供的捕获设备捕获视频流。
VideoCapture cap(argc > 1 ? atoi(argv[1]) : 0);
- 创建一个窗口以显示默认框架和阈值框架。
namedWindow(window_capture_name);
namedWindow(window_detection_name);
- 创建跟踪栏以设置 HSV 值的范围
用于设置 HSV 值阈值的跟踪栏
createTrackbar(“低 H”, window_detection_name, &low_H, max_value_H, on_low_H_thresh_trackbar);
createTrackbar(“高 H”, window_detection_name, &high_H, max_value_H, on_high_H_thresh_trackbar);
createTrackbar(“低 S”, window_detection_name, &low_S, max_value, on_low_S_thresh_trackbar);
createTrackbar(“高 S”, window_detection_name, &high_S, max_value, on_high_S_thresh_trackbar);
createTrackbar(“低电压”, window_detection_name, &low_V, max_value, on_low_V_thresh_trackbar);
createTrackbar(“高 V”, window_detection_name, &high_V, max_value, on_high_V_thresh_trackbar);
- 在用户希望程序退出之前,请执行以下操作
框架>>盖;
如果(frame.empty())
{
破;
}
从 BGR 转换 到 HSV 色彩空间
cvtColor(帧, frame_HSV, COLOR_BGR2HSV);
根据 HSV 范围值检测对象
inRange(frame_HSV, Scalar(low_H, low_S, low_V), Scalar(high_H, high_S, high_V), frame_threshold);
- 显示图像
显示框架
imshow(window_capture_name,帧);
imshow(window_detection_name, frame_threshold);
- 对于控制下限范围的跟踪栏,例如色调值:
静态 void on_low_H_thresh_trackbar(int, void *)
{
low_H = min(high_H-1, low_H);
setTrackbarPos(“低 H”, window_detection_name, low_H);
}
静态 void on_low_H_thresh_trackbar(int, void *)
{
low_H = min(high_H-1, low_H);
setTrackbarPos(“低 H”, window_detection_name, low_H);
}
- 对于控制上限范围的跟踪栏,例如色调值:
静态 void on_high_H_thresh_trackbar(int, void *)
{
high_H = 最大(high_H, low_H+1);
setTrackbarPos(“高 H”, window_detection_name, high_H);
}
- 有必要找到最大值和最小值,以避免阈值的高值小于低值等差异。
结果
-
编译此程序后,运行它。该程序将打开两个窗口
-
当您从跟踪栏设置范围值时,生成的帧将在另一个窗口中可见。
在线教程
- 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
- 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
- EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
- 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中,你将会学习到让机器人执行一系列动作所需要的基本算法。
- 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法,包括:概率推算,计划和搜索,本地化,跟踪和控制,全部都是围绕有关机器人设计。
- 机器学习 – 有指导和无指导情况下的基本机器学习算法
- 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
- 斯坦福统计学习
有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
人工智能书籍
- OpenCV(中文版).(布拉德斯基等)
- OpenCV+3计算机视觉++Python语言实现+第二版
- OpenCV3编程入门 毛星云编著
- 数字图像处理_第三版
- 人工智能:一种现代的方法
- 深度学习面试宝典
- 深度学习之PyTorch物体检测实战
- 吴恩达DeepLearning.ai中文版笔记
- 计算机视觉中的多视图几何
- PyTorch-官方推荐教程-英文版
- 《神经网络与深度学习》(邱锡鹏-20191121)
- …
第一阶段:零基础入门(3-6个月)
新手应首先通过少而精的学习,看到全景图,建立大局观。 通过完成小实验,建立信心,才能避免“从入门到放弃”的尴尬。因此,第一阶段只推荐4本最必要的书(而且这些书到了第二、三阶段也能继续用),入门以后,在后续学习中再“哪里不会补哪里”即可。
第二阶段:基础进阶(3-6个月)
熟读《机器学习算法的数学解析与Python实现》并动手实践后,你已经对机器学习有了基本的了解,不再是小白了。这时可以开始触类旁通,学习热门技术,加强实践水平。在深入学习的同时,也可以探索自己感兴趣的方向,为求职面试打好基础。
第三阶段:工作应用
这一阶段你已经不再需要引导,只需要一些推荐书目。如果你从入门时就确认了未来的工作方向,可以在第二阶段就提前阅读相关入门书籍(对应“商业落地五大方向”中的前两本),然后再“哪里不会补哪里”。
有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓