openmv图像识别

 摄像头初始化

# 摄像头初始化函数
def set_sensor():
    sensor.reset()  # 重置感光元件，重置摄像机
    sensor.set_pixformat(sensor.RGB565)  # 设置颜色格式为RGB565，彩色，每个像素16bit。
    sensor.set_framesize(sensor.QQVGA)  # 图像大小为QQVGA
    sensor.skip_frames(time=10)  # 跳过n张照片，在更改设置后，跳过一些帧，等待感光元件变稳定。
    sensor.set_auto_gain(False)  # 颜色识别必须关闭自动增益，会影响颜色识别效果
    sensor.set_auto_whitebal(False)  # 颜色识别必须关闭白平衡，会影响颜色识别效果，导致颜色的阈值发生改变
    sensor.set_auto_exposure(False)  #只是禁用曝光值更新，但不会更改相机传感器确定的曝光值。
    #clock = time.clock()

照片处理

找到最大面积的色块对应的颜色

对最大色块的方形区域进行判断，即不仅包括目标颜色

def find_max(blobs):
	max_size = 0
	for blob in blobs:
		if blob[2]*blob[3] > max_size:
			max_blob = blob#最大的颜色
			max_size = blob[2]*blob[3]#w*h，最大色块的面积
			return max_blob

主代码

clock.tick()
img = sensor.snapshot()
blobs = img.find_blobs([threshold_1])#查找图像中所有色块，并返回一个包括每个色块的色块对象的列表，thresholds 必须是元组列表，定义你想追踪的颜色范围
blobs1 = img.find_blobs([threshold_2])#进行两次颜色采样
if blobs: #如果找到了目标颜色
    blob = find_max(blobs)#找到所有目标颜色中最大的色块区域
    if ((blob.cx() in range(60, 110)) and (blob.cy() in range(40, 90))):#判断目标是否在摄像头指定区域
    #density()返回这个色块的密度比。这是在色块边界框区域内的像素点的数量。
    #总的来说，较低的密度比意味着这个对象的锁定得不是很好。 结果在0和1之间。
    #即判断目标颜色所在(blob.cx(), blob.cy(),blob.cw(), blob.ch())的矩形区域中的所占面积，即密度，0.0~1.0
    if 0.285<blob.density()< 0.45:
    # 这些值依赖于blob不是循环的-否则它们将不稳定。
    if blob.roundness() > 0.8:#判断是否是圆
    # 这些值始终是稳定的。
    img.draw_rectangle(blob.rect())  # 用矩形标记出目标颜色区域
    img.draw_cross(blob.cx(), blob.cy())  # 在目标颜色区域的中心画十字形标记
    # 注意blob的旋转是唯一的0-180。

在没有测距模块时，可利用小孔成像原理判断大致距离

K=5000#随实际测量数据改变
x = blob[0]
y = blob[1]
width = blob[2]
height = blob[3]
# Draw a rect around the blob.
img.draw_rectangle([x, y, width, height])  # rect
# 用矩形标记出目标颜色区域
img.draw_cross(blob[5], blob[6])  # cx, cy
# 在目标颜色区域的中心画十字形标记
Lm = (blob[2] + blob[3]) / 2  # b[2]色块的外框的宽 ，b[3]色块的外框的高
pixels = blob[4]  # 色块的像素数量
length = K / Lm#利用小孔成像原理判断大致距离

 对于blobs=img.find_blobs(threshold_1,pixels_threshold=400,area_threshold=5,x_stride=1, y_stride=1, margin=False)

x_stride 是查找某色块时需要跳过的x像素的数量。找到色块后，直线填充算法将精确像素。 若已知色块较大，可增加 x_stride 来提高查找色块的速度,y_stride 同理

若一个色块的边界框区域小于 area_threshold ，则会被过滤掉。

若一个色块的像素数小于 pixel_threshold ，则会被过滤掉。

merge 若为True，则合并所有没有被过滤掉的色块，这些色块的边界矩形互相交错重叠。

margin 可在相交测试中用来增大或减小色块边界矩形的大小。例如：边缘为1、相互间边界矩形为1的色块将被合并。

合并色块使颜色代码追踪得以实现。每个色块对象有一个代码值 code ，该值为一个位向量。 例如：若您在image.find_blobs中输入两个颜色阈值，则第一个阈值代码为1，第二个代码为2（第三个代码为4，第四个代码为8，以此类推）。 合并色块对所有的code使用逻辑或运算，以便您知道产生它们的颜色。这使得您可以追踪两个颜色，若您用两种颜色得到一个色块对象，则可能是一种颜色代码。

若您使用严格的颜色范围，无法完全追踪目标对象的所有像素，您可能需要合并色块。

最后，若您想要合并色块，但不想两种不同阈值颜色的色块被合并，只需分别两次调用 image.find_blobs ，不同阈值色块就不会被合并。

Blob 类 – 色块对象

blob=image.find_blobs()返回值

blob.rect() 返回这个色块的外框——矩形元组(x, y, w, h)，可以直接在image.draw_rectangle中使用。

blob.x()返回色块的边界框的x坐标(int)。您也可以通过索引 [0] 取得这个值。左上角

blob.y()返回色块的边界框的y坐标(int)。您也可以通过索引 [1] 取得这个值。左上角 

blob.w()返回色块的边界框的w坐标(int)。您也可以通过索引 [2] 取得这个值。左上角，向右为+

blob.h()返回色块的边界框的h坐标(int)。您也可以通过索引 [3] 取得这个值。左上角，向下为+

blob.pixels()返回从属于色块(int)一部分的像素数量。您也可以通过索引 [4] 取得这个值。

blob.cx()返回色块(int)的中心x位置。您也可以通过索引 [5] 取得这个值。

blob.cy()返回色块(int)的中心y位置。您也可以通过索引 [6] 取得这个值。

blob.rotation() 返回色块的旋转角度（单位为弧度）（float）。如果色块类似一个铅笔，那么这个值为0~180°。如果色块是一个圆，那么这个值是无用的。如果色块完全没有对称性，那么你会得到0~360°，也可以通过blob[7]来获取。

blob.code() 返回一个16bit数字，每一个bit会对应每一个阈值。举个例子：

blobs = img.find_blobs([red, blue, yellow], merge=True)
如果这个色块是黄色，那么它的code就是0001，如果是红色，那么它的code就是0010。注意：一个blob可能是合并的，如果是红色和蓝色的blob，那么这个blob就是0011。这个功能可以用于查找颜色代码。也可以通过blob[8]来获取。

blob.count() 如果merge=True，那么就会有多个blob被合并到一个blob，这个函数返回的就是这个的数量。如果merge=False，那么返回值总是1。也可以通过blob[9]来获取。

blob.area() 返回色块的外框的面积。应该等于(w * h)

blob.density() 返回色块的密度。这等于色块的像素数除以矩形框的面积。如果密度较低，那么说明目标锁定的不是很好。
比如，识别一个红色的圆，返回的blob.pixels()是目标圆的像素点数，blob.area()是圆的外接正方形的面积

如果我们需要选择两种颜色，则需要拼接这两个阈值，使用pixels和area综合来过滤掉细小的像素识别。

blobs = img.find_blobs([green_threshold,red_threshold],pixels_threshold = 24,area_threshold = 5,merge = True)
 

图形判断

​

​

 色块密度判断

​

Line类 – 直线对象

。。。。。。

Circle类 –圆形对象

。。。。。。

Rect类 – 矩形对象

。。。。。。