【Python+OpenCV】识别颜色方块并提取轮廓

谁借莪１个温暖的怀抱￠ 2022-08-28 02:49 501阅读 0赞

转载自：[【Python+OpenCV】识别颜色方块并提取轮廓\_See\_Star的博客-CSDN博客][Python_OpenCV_See_Star_-CSDN]

# **【Python+OpenCV】识别颜色方块并提取**轮廓 #

[望天边星宿][Link 1] 2019-11-13 11:50:53

15498  正在上传…重新上传取消 收藏 267

分类专栏： [Python][] [OpenCV][] 文章标签： [OpenCV][OpenCV 1] [Python][Python 1] [图像识别][Link 2]

版权

[ Python ][Python] 同时被 2 个专栏收录

61 篇文章 2 订阅

订阅专栏

[ OpenCV ][OpenCV]

7 篇文章 1 订阅

订阅专栏

前一阵在做机械臂下井字棋的综合设计，在网上直接购买了一套机械臂装置（包括机械臂，摄像头，树莓派，花费1600元），机械臂不是很高级、精度很低。源码里提供识别红绿蓝三种颜色方块的识别和抓取。

经过多次尝试，最终决定井字棋的棋子也采用3cm \* 3cm \* 3cm的颜色方块。今天就来写一些第一步，而第一步就是解决识别颜色方块的问题。

# 演示效果图 #

手移动方块，外轮廓始终贴合方块边缘。  
![识别绿色物块][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70]

# 代码 #

使用笔记本自带摄像头捕获画面，并识别绿色方块。

# 代码解析 #

**1 读取图像**  
使用python读取摄像头图像可参考：[【Python+OpenCV】捕捉笔记本和外接摄像头][Python_OpenCV]

**2 颜色定义**

如果只是想识别绿色，那这一段就显得多余了。但是如果你想识别红色或是蓝色，可以直接将`ball_color = 'green'`改成`ball_color = 'red'`或是`ball_color = 'blue'`。其中`color_dist`内包含的是颜色在HSV模式下的范围，稍后再讲解。

**3 图像处理**

**第一步，高斯模糊**  
将原图像进行模糊处理，方便颜色的提取  
`gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)`，其中  
参数一：`frame`需要高斯模糊的图像  
参数二：`(5, 5)`高斯矩阵的长与宽都是5  
参数三：`0`标准差是0

未经处理的原图像如下（这个摄像头太辣鸡了，原图像看起来就很模糊）：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 1]  
高斯模糊后的图像（仔细看一下，你会发现比上一张更模糊些）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 2]  
**第二步，BGR转换为HSV**  
刚刚高斯模糊后的图像的颜色模式从BGR转换为HSV（在OpenCV中不使用RGB模式，而是使用BGR模式）。为什么使用HSV模式呢？因为这种模式更加方便单一颜色的提取，具体原理我也不懂。  
`hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)`  
参数一：`gs_frame`原图像  
参数二：`cv2.COLOR_BGR2HSV`颜色转换方式，从BGR to HSV

HSV模式下的图像：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 3]  
**第三步，腐蚀**  
通俗来说，就是将图像变瘦，用于去除噪声点。  
`erode_hsv = cv2.erode(hsv, None, iterations=2)`  
参数一：`hsv`原图像  
参数三：`iterations=2`腐蚀的宽度

可以看出少了很多干扰（紫色的点点少了很多）。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 4]  
**第四步，去除背景部分**  
将绿色以外的其他部分去除掉，并将图像转化为二值化图像  
`inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper'])`  
参数一：`erode_hsv`原图像  
参数二：`color_dist[ball_color]['Lower']`颜色的下限  
参数三：`color_dist[ball_color]['Upper']`颜色的上限

如图  
![去除背景色][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 5]  
**4 绘制矩形边框**

**第一步，找出外边界**  
`cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]`  
使用该函数找出方框外边界，并存储在cnts中。  
[findContours 参考资料][findContours]

**第二步，找出矩形**  
在边界中找出面积最大的区域，选定该区域为方块所在区域，并绘制出该区域的最小外接矩形，并记录该矩形的位置坐标。  
`c = max(cnts, key=cv2.contourArea)` 在边界中找出面积最大的区域  
`rect = cv2.minAreaRect(c)` 绘制出该区域的最小外接矩形  
`box = cv2.boxPoints(rect)` 记录该矩形四个点的位置坐标

**第三步，绘制矩形**  
在原图像上将分析出的矩形边界绘制出来  
`cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)`  
参数一：`frame`目标图像  
参数二：`[np.int0(box)]`轮廓本身，在Python中是一个list  
参数三：`-1`指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。  
参数四：`(0, 255, 255)`轮廓颜色BGR  
参数五：`2`廓线的宽度  
最终结果如图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 6]

文章最开始的图像是笔记本内置摄像头拍摄的图像；  
为了方便拍摄图像，代码分析过程中的图像是外接usb摄像头，像素太低。

[Python_OpenCV_See_Star_-CSDN]: https://blog.csdn.net/See_Star/article/details/103044722
[Link 1]: https://blog.csdn.net/See_Star
[Python]: https://blog.csdn.net/see_star/category_9437461.html
[OpenCV]: https://blog.csdn.net/see_star/category_9440614.html
[OpenCV 1]: https://www.csdn.net/tags/MtTaEg0sMTk0NDgtYmxvZwO0O0OO0O0O.html
[Python 1]: https://www.csdn.net/tags/MtjaQg4sNDk0LWJsb2cO0O0O.html
[Link 2]: https://www.csdn.net/tags/MtTaEg0sMzQ3MzAtYmxvZwO0O0OO0O0O.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70]: /images/20220828/121c5e21aac5439cbccb31d89359adbe.png
[Python_OpenCV]: https://blog.csdn.net/See_Star/article/details/102808239
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 1]: /images/20220828/1c788928dd05471787492844a3ebd342.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 2]: /images/20220828/6c102b45da9e4c709235cfa0595bc8b9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 3]: /images/20220828/7eab746952c442ae9718750a2f107ab1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 4]: /images/20220828/f1ed325c12d146c59523cb5ca7c79284.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 5]: /images/20220828/43eda7feba1a44c49b9455a4a33be9ff.png
[findContours]: https://www.cnblogs.com/GaloisY/p/11062065.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 6]: /images/20220828/92e827ef5005404987b5464e0cca7697.png