前言
本专栏旨在学习记录OpenCV的各种基础知识和常用函数的用法，共八节基础内容已全部记录完毕。最后一篇文章将进入OpenCV的简单实战——各种颜色识别，在本篇文章中，我将详细记录使用OpenCV进行颜色识别的完整代码及代码分析，并上传OpenCV的所有基础内容及实战项目的源码。
一、代码展示
首先展示该实战项目的完整代码：
import cv2
import numpy as np
def color_detection(frame):
# 定义颜色范围（在HSV颜色空间中）
lower_red = np.array([0, 100, 100])
upper_red = np.array([10, 255, 255])
lower_blue = np.array([110, 100, 100])
upper_blue = np.array([130, 255, 255])
lower_green = np.array([50, 100, 100])
upper_green = np.array([70, 255, 255])
# 将帧转换为HSV颜色空间
hsv_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
# 根据颜色范围创建掩膜
red_mask = cv2.inRange(hsv_frame, lower_red, upper_red)
blue_mask = cv2.inRange(hsv_frame, lower_blue, upper_blue)
green_mask = cv2.inRange(hsv_frame, lower_green, upper_green)
# 对掩膜进行形态学操作，以去除噪声
kernel = np.ones((5, 5), np.uint8)
red_mask = cv2.morphologyEx(red_mask, cv2.MORPH_OPEN, kernel)
blue_mask = cv2.morphologyEx(blue_mask, cv2.MORPH_OPEN, kernel)
green_mask = cv2.morphologyEx(green_mask, cv2.MORPH_OPEN, kernel)
# 在原始帧中找到颜色区域并绘制方框
contours, _ = cv2.findContours(red_mask + blue_mask + green_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for contour in contours:
x, y, w, h = cv2.boundingRect(contour)
color = ""
if cv2.contourArea(contour) > 500: # 设置最小区域面积以排除噪声
if np.any(red_mask[y:y+h, x:x+w]):
color = "红色"
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 0, 255), 2)
elif np.any(blue_mask[y:y+h, x:x+w]):
color = "蓝色"
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
elif np.any(green_mask[y:y+h, x:x+w]):
color = "绿色"
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.putText(frame, color, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)
return frame
# 打开摄像头
cap = cv2.VideoCapture(0)
while True:
# 读取摄像头帧
ret, frame = cap.read()
# 进行颜色识别
result = color_detection(frame)
# 显示结果帧
cv2.imshow("Color Detection", result)
# 按下 'q' 键退出循环
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# 释放摄像头和关闭窗口
cap.release()
cv2.destroyAllWindows()接下来，我们将对这段代码进行详细分析
二、战前准备
想要完成颜色识别的实战项目，除了掌握本专栏所记录的所有基础内容之外，还得熟悉以下知识：
（一）创建数组
创建数组并不是opencv库中的内容，而是numpy库中的内容。创建数组在进行颜色检测等方面十分重要，通常可以通过创建一个三元数组来确定颜色的范围，例如RGB、HSV等。
使用numpy库创建数组的函数如下：
np.array([a, b, c]) # 创建一个（a, b, c）的数组其中a、b、c为常数，在本实战项目中可以设置为颜色的HSV颜色空间数值
（二）HSV颜色空间
HSV颜色空间由三个分量组成：色相（Hue）、饱和度（Saturation）和明度（Value）。通过调整这些分量的值，我们可以选择特定的颜色范围，HSV具体含义如下：
-
色相（Hue）：色相值表示颜色在颜色轮上的位置。不同的颜色在色相上有不同的取值范围。例如，红色的色相值约为0-10或160-180，蓝色的色相值约为110-130，绿色的色相值约为50-70。根据所需识别的颜色，选择相应的色相范围。
-
饱和度（Saturation）：饱和度值表示颜色的纯度或鲜艳程度。较高的饱和度值表示颜色更加鲜艳，而较低的饱和度值表示颜色较为灰暗。根据实际场景中颜色的饱和度，选择适当的饱和度范围。
-
明度（Value）：明度值表示颜色的亮度或明暗程度。较高的明度值表示颜色较亮，而较低的明度值表示颜色较暗。根据实际场景中颜色的明度，选择适当的明度范围。
这些值是根据经验和实验进行调整的，以获得最佳的颜色识别效果。我们可以根据具体的应用场景和需求进行调整，以适应不同的颜色识别任务。在实际使用中，我们可能需要进行多次尝试和调整，以找到最适合需求的颜色范围。
对于每种颜色（红色、蓝色和绿色），我们使用np.array()函数创建了一个包含三个元素的NumPy数组。这些元素分别代表HSV颜色空间中的色相、饱和度和明度的下限和上限。
例如，对于红色，我们将色相的下限设置为0，上限设置为10。这意味着我们将识别色相值在0到10之间的红色。饱和度和明度的下限设置为100，上限设置为255，以确保我们只识别饱和度和明度较高的红色。代码如下：
lower_red = np.array([0, 100, 100])
upper_red = np.array([10, 255, 255])（三）创建掩膜
在进行颜色识别时，我们通过创建掩膜的方法来将图像进行二值化，即非黑即白，通过创建颜色掩膜，可以将图像中的特定颜色范围提取出来，让摄像头对目标颜色更为敏感。
我们使用cv2.inRange()函数来创建颜色掩膜。它会根据指定的颜色范围，将图像中在范围内的像素设置为255（白色），而其他像素则设置为0（黑色）
cv2.inRange(src, lowerb, upperb)其中三个参数分别为：
（1）“src”， 输入图像，可以是灰度图像或彩色图像
（2）“lowerb”， 下限阈值，用于指定要提取的像素的最小值
（3）“upperb”， 上限阈值，用于指定要提取的像素的最大值
例如，创建红色掩膜的代码如下：
red_mask = cv2.inRange(hsv_frame, lower_red, upper_red)
# lower_red = np.array([0, 100, 100])
# upper_red = np.array([10, 255, 255])三、完整代码分析
（1）我们首先导入该项目所要用到的库
import cv2
import numpy as np（2）然后创建一个子函数用于进行颜色识别，其中，参数frame代表的是摄像头获取的帧，即待处理的图像
def color_detection(frame):（3）在颜色识别函数中，我们先用np.array()函数创建红色、绿色、蓝色在HSV颜色空间中的阈值范围
lower_red = np.array([0, 100, 100])
upper_red = np.array([10, 255, 255])
lower_blue = np.array([110, 100, 100])
upper_blue = np.array([130, 255, 255])
lower_green = np.array([50, 100, 100])
upper_green = np.array([70, 255, 255])（4）使用cv2.cvtColor()函数将帧转换为HSV颜色空间
hsv_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)（5）根据颜色范围使用cv2.inRange()函数创建掩膜
red_mask = cv2.inRange(hsv_frame, lower_red, upper_red)
blue_mask = cv2.inRange(hsv_frame, lower_blue, upper_blue)
green_mask = cv2.inRange(hsv_frame, lower_green, upper_green)（6）对掩膜进行形态学操作，以去除噪声
kernel = np.ones((5, 5), np.uint8)
red_mask = cv2.morphologyEx(red_mask, cv2.MORPH_OPEN, kernel)
blue_mask = cv2.morphologyEx(blue_mask, cv2.MORPH_OPEN, kernel)
green_mask = cv2.morphologyEx(green_mask, cv2.MORPH_OPEN, kernel)（7）将前面创建的红、绿、蓝三个掩膜进行相加，并将相加的结果作为输入图，寻找颜色的轮廓
contours, _ = cv2.findContours(red_mask + blue_mask + green_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)（8）得到轮廓列表countours后进行遍历（循环），提取出轮廓列表中的所有轮廓值，并记录为countour
for contour in contours:（9）可以使用cv2.boundingRect()函数计算每一个轮廓（contour）的边界框，该函数将得到x、y、w、h四个返回值，其中：(x, y) 是矩形框左上角的坐标，w 是矩形框的宽度，h 是矩形框的高度。
x, y, w, h = cv2.boundingRect(contour)（10）用if语句设置最小区域面积以排除噪声，即当目标颜色区域太小时不显示
if cv2.contourArea(contour) > 500:（11）用if语句判断识别到的颜色处于哪个HSV颜色空间阈值内，并使用cv2.rectangle()函数绘制对应颜色的方框圈住目标颜色，再用cv2.putText()函数进行颜色注释。
例如：red_mask[y:y+h, x:x+w]表示从红色掩膜中提取出与当前轮廓对应的区域（切片操作）。如果在该区域中存在非零值（即存在红色像素），则条件为真，表示当前轮廓属于红色区域。
本段代码十分重要，是颜色识别的核心判断，请反复琢磨代码，确保自己十分清晰判断原理和绘制矩形方法。如果对该判断原理不够熟悉，可以自行复习一下python的if语句和opencv的图像基础操作。
if np.any(red_mask[y:y+h, x:x+w]):
color = "红色"
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 0, 255), 2)
elif np.any(blue_mask[y:y+h, x:x+w]):
color = "蓝色"
cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)
elif np.any(green_mask[y:y+h, x:x+w]):
color = "绿色"
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.putText(frame, color, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), 2)（12）返回帧
return frame（13）打开摄像头
cap = cv2.VideoCapture(0)（14）进入主循环
while True:
# 读取摄像头帧
ret, frame = cap.read()
# 进行颜色识别
result = color_detection(frame)
# 显示结果帧
cv2.imshow("Color Detection", result)
# 按下 'q' 键退出循环
if cv2.waitKey(1) & 0xFF == ord('q'):
break
# 释放摄像头和关闭窗口
cap.release()
cv2.destroyAllWindows()四、总结
该OpenCV实战项目全部分析完毕，本专栏到此也全部结束
扫一扫
348
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
