超详细的OpenCV颜色识别代码讲解

今天大家介绍两篇OpenCV颜色识别的代码

其中第一篇逻辑比较简单，第二篇稍微难一点，不过问题不大

基本思路已经在注释中给大家标注出来

代码中的大部分函数在“OpenCV手部识别中各个函数功能”博文中有详细解释，有不懂的地方，欢迎大家前去查看

（一）

import cv2
import numpy as np
"""
在OpenCV中，HSV（色相、饱和度、明度）是一种常用的颜色空间，它可以方便地进行颜色的识别和处理。
以下是红、绿和蓝颜色在HSV空间中的范围：

红色（Red）：
色相（Hue）范围：0-10 和 170-180
饱和度（Saturation）范围：50-255
明度（Value）范围：50-255
这是我测试代码时用的颜色范围：
lower_color = np.array([0, 150, 150])/higher_color = np.array([10, 255, 255])

黄色（Yellow）
色相（Hue）范围：20-40
饱和度（Saturation）范围：50-255
明度（Value）范围：50-255
这是我测试代码时用的颜色范围：
lower_color = np.array([20, 70, 50])/higher_color = np.array([40, 200, 150])

绿色（Green）：
色相（Hue）范围：60-80
饱和度（Saturation）范围：50-255
明度（Value）范围：50-255

蓝色（Blue）：
色相（Hue）范围：90-130
饱和度（Saturation）范围：50-255
明度（Value）范围：50-255

"""


def red_identify(img):

    # 转换为HSV颜色模型
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

    # 二值化处理，表示HSV中颜色的范围(以绿色为例)
    lower_color = np.array([60, 70, 50])
    higher_color = np.array([80, 200, 255])
    # 返回一个与原始图像相同大小的掩码
    # 其中像素范围在lower_color和higher_color范围内的像素会被设置为255（白色），否则为0（黑色）
    mask = cv2.inRange(hsv, lower_color, higher_color)

    # 生成一个填充了1的数组
    # dtype表示输出的数据类型，默认为float64，也可为int，np.uint8
    # 还可以指定数组元素的存储风格，‘C’表示C语言风格的行优先（默认），‘F’表示Fortran风格的列优先
    kernel = np.ones([5, 5], dtype=np.uint8)

    # 膨胀操作，可理解为扩大图像中的白色区域
    # 扩大图像中的白色区域，同时缩小黑色区域
    """
    kernel（也叫做核或者结构元素）就像是一个小刷子或者模板，用来决定在进行膨胀操作时，哪些像素会被考虑进去
    kernel里面的值通常是0或1（或者在某些情况下是0和255）。
    值为1的位置表示这个像素点会被考虑在膨胀操作中，而值为0的位置则会被忽略。
    比如，在一个3x3的矩形kernel中，所有值都可能是1，表示在进行膨胀操作时，会考虑图像中每个像素点及其周围的8个像素点。
    """
    # iterations表示膨胀操作的次数，每次迭代，图像中与核覆盖区域相交的像素都会被替换为核中的最大值（255）
    dilate = cv2.dilate(mask, kernel, iterations=1)

    # 检测图像中轮廓的函数，找出二值图像中所有连续的非零像素区域，并返回它们的轮廓
    # cv2.RETR_EXTERNAL：只检索最外层的轮廓/cv2.RETR_LIST：检索所有的轮廓，并将它们存储在一个列表中。
    # cv2.CHAIN_APPROX_NONE：存储轮廓上的所有/cv2.CHAIN_APPROX_SIMPLE：仅存储轮廓的端点。
    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("red_identify", img)
        return
    # 返回最大面积的轮廓
    # cv2.contourArea()函数用于计算轮廓的面积
    max_cnt = max(cnts, key=cv2.contourArea)
    # 用于在图像中绘制轮廓，-1表示绘制所有的轮廓
    cv2.drawContours(img, max_cnt, -1, (0, 0, 255), 2)

    # 用于计算一个点集的最小边界矩形，该矩形完全包含轮廓内的所有点，并且面积最小
    (x, y, w, h) = cv2.boundingRect(max_cnt)
    # 将目标框起来
    cv2.rectangle(img, (x, y), (x+w, y+h), (0, 0, 255), 3)
    # 在目标的中间画一个小圈
    cv2.circle(img, (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("red_identify", img)


if __name__ == "__main__":

    # 打开摄像头
    cap = cv2.VideoCapture(0)

    # 设置摄像头参数，第一个和第二个为像素大小，第三个表示帧率
    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
        red_identify(frame)

        # 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()

（二）

import cv2
import numpy as np
from imutils import contours
"""
imutils是一个Python库，它是OpenCV的简化接口和实用工具集合，可以大大简化OpenCV的使用
该库提供了许多方便的功能，使得使用OpenCV进行图像处理变得更加简单和直观
imutils库提供了许多实用的功能，例如图像缩放、旋转、平移、骨架化等操作
它还提供了对图像进行显示和保存的功能，支持Matplotlib等绘图库。此外，imutils还提供了一些方便的函数，例如计算图像的中心点、计算图像的方向梯度直方图（HOG）特征等
"""


# 颜色阈值(以蓝色为例)
lower = np.array([90, 62, 72])
upper = np.array([130, 200, 148])
# 内核
kernel = np.ones((5, 5), np.uint8)
# 打开摄像头
vc = cv2.VideoCapture(0)
# 如果成功打开，运行if中的函数
if vc.isOpened():
    flag, frame = vc.read()
    # 翻转图像
    cv2.imshow("frame", frame)
else:
    flag = False
while flag:
    flag, frame = vc.read()
    draw_frame = frame.copy()
    if frame is None:
        break
    if flag is True:
        '''下面对摄像头读取到的图像进行处理，这个步骤是比较重要的'''
        # 转换颜色空间HSV
        frame_hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
        # 颜色识别
        img = cv2.inRange(frame_hsv, lower, upper)
        # 膨胀操作
        dilation = cv2.dilate(img, kernel, iterations=1)
        # 用于执行形态学变换的函数，形态学变换是基于形状的一系列图像处理操作，通常用于二值图像
        """
        cv2.MORPH_ERODE：腐蚀
        效果：腐蚀操作会“缩小”或“细化”图像中的白色区域（前景）。
        应用：可以用来断开连接的对象、消除小的对象等。
        示例：如果图像中有一个白色的矩形，腐蚀操作会使矩形的边缘向内收缩。
        cv2.MORPH_DILATE：膨胀
        效果：膨胀操作会“扩大”或“增厚”图像中的白色区域。
        应用：可以用来填补对象内部的小孔、连接断裂的对象等。
        示例：如果图像中有一个白色的矩形，膨胀操作会使矩形的边缘向外扩张。
        cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
        效果：先腐蚀后膨胀。开运算通常用来去除小的对象。
        应用：噪声去除，断开连接的对象。
        示例：在图像中有小的白色噪声点的情况下，开运算能够去除这些噪声点而不影响较大的对象。
        cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）
        效果：先膨胀后腐蚀。闭运算通常用来填补对象内部的小孔或缝隙。
        应用：填补孔洞，连接断裂的线条。
        示例：如果图像中有一个白色的矩形，其内部有一个小孔，闭运算能够填补这个小孔。
        """
        closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)
        # 高斯滤波，用于对图像进行高斯模糊处理，通过卷积核（滤波器）与图像进行卷积操作来实现
        # ksize：高斯核的大小，该值必须为奇数
        # sigmaX：表示高斯核函数在X方向的标准差
        # 平滑图像，减少噪音
        closing = cv2.GaussianBlur(closing, (5, 5), 0)
        # 边缘检测
        # 10：第一个阈值，用于边缘连接。小于此值的边缘会被抛弃。
        # 20：第二个阈值，用于边缘检测。大于此值的边缘会被确定为边缘
        edges = cv2.Canny(closing, 10, 20)
        '''上面进行那么多操作就是为了得到更好的目标图形，具体效果因环境而异'''
        # 寻找轮廓
        cnts, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
        # 判断轮廓数量也就是判断是否寻找到轮廓，如果没有找到轮廓就不继续进行操作
        if len(cnts) > 0:
            # 存放轮廓面积的列表
            sun = []
            # 存放最大轮廓的索引
            max_index = 0
            # 获得排序后的轮廓列表以及每个轮廓对应的外接矩形
            # 接受一个轮廓列表作为输入，并返回一个按某种标准排序后的轮廓列表。
            # 排序的标准通常是轮廓的面积，但也可以是其他标准，如轮廓的边界框的中心点坐标等。
            (cnts, boundingRects) = contours.sort_contours(cnts)
            # 寻找面积最大的轮廓的索引
            for cnt in cnts:
                sun.append(cv2.contourArea(cnt))
            # 查找元素在列表中的下标
            max_index = sun.index(max(sun))
            # 根据面积最大轮廓的索引找到它的外接矩形的信息
            (x, y, w, h) = boundingRects[max_index]
            # 画矩形
            frame_out = cv2.rectangle(draw_frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
        cv2.imshow("frame", draw_frame)
        if cv2.waitKey(1) == ord('q'):
            break
vc.release()
cv2.destroyAllWindows()