opencv 切取红色

AI识别物体是比较成熟的技术，然而在场景比较单一的地方，用AI做视频感觉有点大材小用。
其实在场景比较单一的情况下，很多实例都可以通过颜色来区分不同的物体，但是我们知道，在实际应用中，总会有光照或者其他的影响，加大我们的颜色判断难度。我这里根据我的业务场景找到一个比较好的红色提取思路。
我是对每个三通道的像素点进行分析：

1. 将图片从其他格式转换为rgb
2. 红色像素值最大，且大于0x55
3. 其他通道像素值的距离比较小，且与红色像素值的距离比率较大，且大于10。

int is_red_point(unsigned char color[3])
{
    int t[3];
    for (int i = 0; i < 3; i++)
    {
        t[i] = color[i] - color[(i + 1) % 3];
    }
    if (t[0] > 0 && t[2] < 0 && abs(t[1]) * 5 < t[0] && color[0] > 0x55 && t[0] > 10) 
    {
        return 1;
    }
    return 0;
}

整个代码：

#include <stdio.h>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int is_red_point(unsigned char color[3])
{
    int t[3];
    for (int i = 0; i < 3; i++)
    {
        t[i] = color[i] - color[(i + 1) % 3];
    }
    if (t[0] > 0 && t[2] < 0 && abs(t[1]) * 5 < t[0] && color[0] > 0x55 && t[0] > 10) 
    {
        return 1;
    }
    return 0;
}

int main(int argc, char *argv[])
{
	//通过图片进行测试
    const char *video_path = "1555645683653_1.jpg";
    Mat im = imread(video_path);
    imshow("abc1", im);
    // 转换为rgb
    Mat im_rgb;
    cvtColor(im, im_rgb, CV_BGR2RGB);
    Mat img = Mat(im.rows, im.cols, CV_8UC1);
    printf("%d, %d, %ld, %ld, %ld\n", im.rows, im.cols, im.step[0], im.step[1], im.step[2]);
    for (int i = 0; i < im_rgb.rows; i++)
    {
        for (int j = 0; j < im_rgb.cols; j++)
        {
            unsigned char *a = &(im_rgb.data[i * im_rgb.step[0] + j * im_rgb.step[1]]);
            if (is_red_point(&(im_rgb.data[i * im_rgb.step[0] + j * im_rgb.step[1]])))
            {
                img.data[i * im_rgb.cols + j] = 255;
            }
            else
            {
                img.data[i * im_rgb.cols + j] = 0;
            }
        }
    }
    Mat result;
    add(im, NULL, result, img);
    imshow("abc", result);
    waitKey(0);
	
	// 一个像素点的测试实例
    unsigned char test[3] = {0x23, 0, 0xFC};
    if (is_red_point(test)) //#2300FC
    {
        printf("is red!\n");
    }
    else
    {
        printf("not red!\n");
    }
    return 0;
}

原图

通过像素判断处理后的掩码图片覆盖后的图片：

思路很简单，但是从中可以看到，像素值其实有很多关系，找到了关系，处理起来也是比较容易的。