- 导入必要的库:首先,需要导入 OpenCV 库和其他可能用到的库,如 NumPy。
- 加载图像:使用
cv2.imread
函数加载包含多种颜色的图像。 - 定义颜色范围:在 HSV 颜色空间中定义要识别的颜色范围。可以使用颜色选择器工具来确定所需颜色的 HSV 值范围。
- 颜色识别函数:创建一个颜色识别函数,用于在图像中识别指定颜色的区域。
- 图像处理:在颜色识别函数中,进行图像处理操作,如转换颜色空间、二值化、膨胀、检测轮廓等。
- 绘制轮廓和结果:根据识别到的颜色区域,绘制轮廓、框选目标,并显示结果。
以下是一个使用 OpenCV 进行颜色识别的示例代码
import cv2
import numpy as np
def color_identify(image, color_range):
# 转换为 HSV 颜色模型
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# 二值化处理,表示 HSV 中颜色的范围
mask = cv2.inRange(hsv, color_range[0], color_range[1])
# 膨胀操作
kernel = np.ones((5, 5), dtype=np.uint8)
dilate = cv2.dilate(mask, kernel, iterations=1)
# 检测图像中轮廓的函数
cnts, hierarchy = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# 判断是否有轮廓
if len(cnts) == 0:
# 没有即显示原图
cv2.imshow("color_identify", image)
return
# 返回最大面积的轮廓
max_cnt = max(cnts, key=cv2.contourArea)
# 用于在图像中绘制轮廓
cv2.drawContours(image, max_cnt, -1, (0, 0, 255), 2)
# 用于计算一个点集的最小边界矩形
(x, y, w, h) = cv2.boundingRect(max_cnt)
# 将目标框起来
cv2.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 3)
# 在目标的中间画一个小圈
cv2.circle(image, (x + (w//2), y + (h//2)), 6, (0, 0, 255), 2)
# 打印出目标中点的坐标
print("x + w:", x + (w//2), "y + h:", y + (h//2))
cv2.imshow("color_identify", image)
if __name__ == "__main__":
# 打开摄像头
cap = cv2.VideoCapture(0)
# 设置摄像头参数
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 480)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
cap.set(cv2.CAP_PROP_FPS, 100)
while True:
# 循环读取每一帧
flag, frame = cap.read()
# 将图像翻转过来
frame = cv2.flip(frame, 1)
# 如果读取失败
if not flag:
print("Camera error!")
break
# 调用颜色识别函数
color_identify(frame, [(0, 150, 150), (10, 255, 255)]) # 识别红色
# 等待用户按下‘q'键,如果按下则退出循环
sun = cv2.waitKey(1)
if sun == ord('q'):
break
# 关闭摄像头,解除程序占用摄像头
cap.release()
# cv2 把所有打开的窗口关闭掉
cv2.destroyAllWindows()
定义了一个color_identify
函数,它接受图像和颜色范围作为参数。在函数内部,首先将图像转换为 HSV 颜色空间,然后使用cv2.inRange
函数进行二值化处理,得到指定颜色范围内的像素。接下来,进行膨胀操作和轮廓检测,找到最大面积的轮廓,并绘制轮廓、框选目标和显示结果。
在if __name__ == "__main__":
部分,打开摄像头并设置参数,然后在循环中读取每一帧图像,调用color_identify
函数进行颜色识别。用户按下q
键时,退出循环并关闭摄像头。
请注意,这只是一个简单的颜色识别示例代码,实际应用中可能需要根据具体情况进行更多的图像处理和优化。此外,颜色范围的选择可能需要根据实际图像进行调整。