使用Python，OpenCV确定对象的颜色

1. 如何利用Python、OpenCV计算轮廓的中心
2. Python，OpenCV应用轮廓逼近算法，检测对象的形状，如三角形，正方形，矩形，五边形，圆。

这一节学习应用 L * a * b * 颜色空间确定对象的颜色，与其颜色的通道计算最小的欧几里得距离，得到其颜色最接近预定义的颜色。

这个方法有其缺陷，会把颜色饱和度不够的（非红、绿、蓝）的颜色也标记为红或绿或蓝。（取决于预定义的颜色空间的准确度）。

检测颜色过程：

1. 预定义颜色空间（颜色：BRG的值）
2. 循环遍历颜色并将其转换为 L * a * b 空间的值
3. 寻找轮廓，为轮廓构建一个蒙版，计算蒙版区域的平均 L * a * b 值
4. 遍历已转换后的 L * a * b 空间list，分别与蒙版计算欧几里得距离，得到最小的距离值，以及其对应的颜色。则认为该颜色就是最接近的颜色——轮廓的颜色

# 用来标记带有颜色文本标签的图像区域
# 创建一个Python类，该类可用于用关联的颜色标记图像中的形状。

# 导入必要的包
from scipy.spatial import distance as dist
from collections import OrderedDict
import numpy as np
import cv2


class ColorLabeler:
    def __init__(self):
        # 初始化颜色字典 包括颜色名称和RGB元组值
        colors = OrderedDict({
            "red": (255, 0, 0),
            "green": (0, 255, 0),
            "blue": (0, 0, 255)})

        # 为L*a*b*图像分配内存 并且初始化颜色名称list
        self.lab = np.zeros((len(colors), 1, 3), dtype="uint8")
        self.colorNames = []

        # 循环遍历颜色字典
        for (i, (name, rgb)) in enumerate(colors.items()):
            # 更新L*a*b数组 及 颜色list
            self.lab[i] = rgb
            self.colorNames.append(name)

        # 转换 RGB颜色空间 为 L*a*b* 数组
        self.lab = cv2.cvtColor(self.lab, cv2.COLOR_RGB2LAB)

    # image：待检测的图像， c：轮廓
    def label(self, image, c):
        # 为轮廓构建一个蒙版，计算蒙版区域的 L*a*b的平均值
        mask = np.zeros(image.shape[:2], dtype="uint8")
        cv2.drawContours(mask, [c], -1, 255, -1)
        mask = cv2.erode(mask, None, iterations=2)
        mean = cv2.mean(image, mask=mask)[:3]

        # 初始化到目前为止找到的最小距离
        minDist = (np.inf, None)
        # 遍历L*a*b 数组颜色
        for (i, row) in enumerate(self.lab):
            # 计算每个已知颜色与平均颜色之间的欧几里得距离
            d = dist.euclidean(row[0], mean)

            # 如果距离比当前距离小，更新保留的距离变量值
            if d < minDist[0]:
                minDist = (d, i)

        # 返回最小欧几里得距离值的颜色
        return self.colorNames[minDist[1]]

1. 实现

1. 加载图像、缩放、高斯平滑高频噪音、灰度图、BGR空间转 L * a * b空间， 阈值化（背景黑色，前景轮廓白色）、寻找轮廓
2. 遍历轮廓，寻找轮廓中心，检测颜色
3. 从中心位置，绘制颜色标签文本

2. 优化

颜色是可以识别，但是有些瑕疵，颜色不饱满的检测有误，橘色的被检测成红色，黄色的检测呈绿色；优化办法用 rangeDetector或者cv2.inRange()

（1）预先定义要检测的颜色的上下限范围（可以是Lab,HSV等颜色空间）；
（2）运用cv2.inRange得到匹配颜色上下限范围的蒙版图；
（3）运用cv2.bitwise_and获得按位与结果图；

# python detect_color.py --image pokens.png

# 导入必要的包
import numpy as np
import argparse
import cv2

# 构建命令行参数
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", help="path to the image")
args = vars(ap.parse_args())
# 加载图片
image = cv2.imread(args["image"])

# 定义颜色边界list 分别为红、蓝、黄、灰
# numpy以 BGR颜色空间以下限：[17, 15, 100],上限： [50, 56, 200]表示 红色
boundaries = [
    ([17, 15, 100], [50, 56, 200]),
    ([86, 31, 4], [220, 88, 50]),
    ([25, 146, 190], [62, 174, 250]),
    ([103, 86, 65], [145, 133, 128])
]

# 现在我们有了边界列表，我们可以使用cv2.inRange 功能执行实际的颜色检测。
# 遍历边界列表
for (lower, upper) in boundaries:
    # 从边界列表构建 Numpy数组 由于这些像素值在[0，256]范围内，因此我们可以使用无符号8位整数数据类型。
    lower = np.array(lower, dtype="uint8")
    upper = np.array(upper, dtype="uint8")

    # 找到固定边界中范围所匹配的颜色，并应用mask
    mask = cv2.inRange(image, lower, upper)
    output = cv2.bitwise_and(image, image, mask=mask)

    # 展示图像
    cv2.imshow("images", np.hstack([image, output]))
    cv2.waitKey(0)

参考：
https://www.pyimagesearch.com/2014/08/04/opencv-python-color-detection/

https://www.pyimagesearch.com/2016/02/15/determining-object-color-with-opencv/