python+opencv多进程实现识别魔方颜色，通过kociemba算法得出算法字符串并画图（附毕设完整视频）

完整毕设成果视频如下：

本科毕业设计转魔方（声音略大）

python+opencv本科毕业设计转魔方（声音略大）
上一篇博客已经给大家讲了鼠标hsv获取魔方颜色阈值方法，具体见 python+opencv 识别魔方照片块颜色并可鼠标获取目标区域hsv值
本次给大家讲讲识别的整套流程（其实是从github上扒下来的），看了一个寒假改了改，改成自己能用的，单进程运算六个面按照他的方法识别其实挺慢的，于是便做了一些改进用了多进程（进程池）的方法，创建六个进程，每个进程分别处理一个面，这样就快多了，原来需要三十秒左右，现在好的时候能到一两秒内，分享出来给大家共享。
先呈现一下效果图：
`d 可以看出，快的时候将近一秒，具体要看cpu了。（注：第一次刚一开始运行的时候会很慢，如果时间很长都没有出结果把它关掉，重新在运行一遍就好啦！）
关于多进程进程池的问题，前段时间冥思苦想，一开始用多线程思路，使用threading模块，具体网上都有参考例子，可以搜一下，例如：https://www.cnblogs.com/tyomcat/p/5486827.html，但是用多线程后出现一个致命问题，并不是想自己想的那样更快，反而慢了，原因应该是网上说的 GIL全局锁，在解释器解释执行 Python 代码时，先要得到这把锁，意味着，任何时候只可能有一个线程在执行代码，其它线程要想获得 CPU 执行代码指令，就必须先获得这把锁，如果锁被其它线程占用了，那么该线程就只能等待，直到占有该锁的线程释放锁才有执行代码指令的可能。
因此，这也就是为什么两个线程一起执行反而更加慢的原因，因为同一时刻，只有一个线程在运行，其它线程只能等待，即使是多核CPU，也没办法让多个线程「并行」地同时执行代码，只能是交替执行，因为多线程涉及到上下文切换、锁机制处理（获取锁，释放锁等），所以，多线程执行不快反慢。
在python里，如果想更多的利用多核cpu内存，还是更多利用多进程处理比较好。
https://blog.csdn.net/topleeyap/article/details/78981848这篇博客里有具体的实现多进程的几种方式，我用的是进程池的方式（Pool）：

		ps=Pool(6)
        #cpu=ps.apply(colorMatch,args=(i,))      # 同步执行
        up_cpu=ps.apply_async(colorMatch,args=('up',))  # 异步执行
        right_cpu=ps.apply_async(colorMatch,args=('right',)) 
        front_cpu=ps.apply_async(colorMatch,args=('front',)) 
        down_cpu=ps.apply_async(colorMatch,args=('down',)) 
        left_cpu=ps.apply_async(colorMatch,args=('left',)) 
        back_cpu=ps.apply_async(colorMatch,args=('back',))   

        # 关闭进程池，停止接受其它进程
        ps.close()        
        # 阻塞进程
        ps.join()  

我创建了六个进程：up_cpu、right_cpu、front_cpu、down_cpu、left_cpu、back_cpu
将拍摄的六个面照片依次传入颜色识别函数colorMatch(side)：

def colorMatch(side):
    cube_rgb = cv2.imread( side + '.jpg')

这套颜色识别方法，是对六种颜色分别计算出掩膜，将其加和后对整个面进行识别，

	mask = red_erosion + green_erosion + yellow_erosion + blue_erosion + orange_erosion + white_erosion
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel_50)#开运算分割色块
    mask = cv2.erode(mask, kernel_50, iterations = 1)
    res = cv2.bitwise_and(cube_hsv, cube_hsv, mask = mask)  

并且通过开运算和腐蚀函数对图像进行色块分离：
效果图如下：（分别是第一个mask，第二个mask，第三个mask，第四个res图）
可以看出，随着处理，色块分离越来越明显。

	中点色块颜色及坐标
    def midpoint(x1,y1,x2,y2):
        x_mid = int((x1 + x2)/2)
        y_mid = h - int(((y1 + y2)/2))
        color = res[y_mid, x_mid]
        return ([int(color[0]), int(color[1]), int(color[2])])

此处函数为识别每个面hsv图中九个色块的中点颜色和坐标，供后面使用

# midpoint获得每个面九个色块的颜色
    mid_1 = midpoint(x_min, y_max, (x_min + int(width/3)), (y_max - int(height/3)))
    mid_2 = midpoint((x_min + int(width/3)), y_max, (x_min + int(width*2/3)), (y_max - int(height/3)))
    mid_3 = midpoint((x_min + int(width*2/3)), y_max, x_max, (y_max - int(height/3)))
    mid_4 = midpoint(x_min, (y_max - int(height/3)), (x_min + int(width/3)), (y_max - int(height*2/3)))
    mid_5 = midpoint((x_min + int(width/3)), (y_max - int(height/3)), (x_min + int(width*2/3)), (y_max - int(height*2/3)))
    mid_6 = midpoint((x_min + int(width*2/3)), (y_max - int(height/3)), x_max, (y_max - int(height*2/3)))
    mid_7 = midpoint(x_min, (y_max - int(height*2/3)), (x_min + int(width/3)), y_min)
    mid_8 = midpoint(x_min + int(width/3), (y_max - int(height*2/3)), (x_min + int(width*2/3)), y_min)
    mid_9 = midpoint(x_min + int(width*2/3), (y_max - int(height*2/3)), x_max, y_min)
    mids = [mid_1, mid_2, mid_3, mid_4, mid_5, mid_6, mid_7, mid_8, mid_9]

这是获得九个色块的颜色保存在mids列表中

s=''
    for rgb in mids:#hsv
        if ((0<=rgb[0]<=180 ) and (0<=rgb[1]<=50 ) and( 201<=rgb[2]<=255)):#白
            s+='D'
        elif ((3<=rgb[0]<=9 )and (115<=rgb[1]<=190 )and (195<=rgb[2] <=255)):#澄
 	        s+='B'
        elif ((95<=rgb[0] <=124) and (123<=rgb[1]<=253) and (109<=rgb[2]<=240)):#蓝
            s+='L'
       	elif( (68<=rgb[0]<=82) and (140<=rgb[1]<=255) and (120<=rgb[2]<=245)):#绿
            s+='R'
        elif ((20<=rgb[0]<=34) and (125<=rgb[1]<=243) and(142 <=rgb[2]<=255)):#黄
            s+='U'
        elif ((170<=rgb[0]<=182)and (110<=rgb[1] <=240 )and (145<=rgb[2]<=255 )):#红
            s+='F'
    return(s)

此功能为将各种点色块hsv转化为字符串供给kociemba算法得到解法
注意主函数里

		#cpu=ps.apply(colorMatch,args=(i,))      # 同步执行
        up_cpu=ps.apply_async(colorMatch,args=('up',))  # 异步执行

注释的是同步执行，后面的是异步执行操作

通过kociemba.solve(get_str)函数就能直接得到kociemba算法还原魔方的字符串了

Tip：
这里有一个小细节，为了让操作员更能清楚的知道识别的颜色对不对，我画了一个draw窗口来显示魔方展开后的颜色样子：
这个本来想通过多线程来画图，原本想的是六个进程每识别完一个面就能在draw画布画出相应的色块，结果试验后发现我以为的多进程共用参数draw，实际上是调用了六次，并没有实现在同一个画布上画图功能。
冥思苦想想了两天，由一开始从网上查资料开辟共享内存或者Manager方法来实现，结果通通不行，突然想到可以把识别颜色后给出的字符串来转换为对应的颜色：

展示一部分自己写的colordraw .py文件里面开头部分，将字符串转换为对应颜色的画图程序：

def drawcolor(get_str):#URFDLB 传入54个字符 
    #strcolor={'U':(0,255,255),'R':(0,255,0),'F':(0,0,255),'D':(255,255,255),'L':(255,191,0),'B':(0,128,255)}  
    #strcolor="URFDLB"  
    draw_str=[]
    #BGR:
    U=(0,255,255)
    R=(0,255,0)
    F=(0,0,255)
    D=(255,255,255)
    L=(255,191,0)
    B=(0,128,255) 
    for key in get_str:#遍历54个字符中每个字符，i为字符

`
一开始想用字典，把每个字符对应的颜色输进去，结果实际调用的时候发现总是没法一起调用，思考了两天两夜才想到用这个for循环+列表就可以实现了，因为54个块的位置是固定的，所以可以把字符串每个字符依次填入到对应的色块中去，然后去寻找他所对应的颜色就ok啦！
辛辛苦苦写了这么多，希望能对大家应用有些启发～～～～
有什么建议可以在下方评论哦，具体程序见：
链接：python+opencv识别魔方颜色+kociemba算法应用+显示识别效果