【Python+OpenCV】识别颜色方块并提取轮廓

绝地灬酷狼 2023-06-12 14:26 8阅读 0赞

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。

import cv2
    import numpy as np
    
    ball_color = 'green'
    
    color_dist = { 'red': { 'Lower': np.array([0, 60, 60]), 'Upper': np.array([6, 255, 255])},
                  'blue': { 'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},
                  'green': { 'Lower': np.array([35, 43, 35]), 'Upper': np.array([90, 255, 255])},
                  }
    
    cap = cv2.VideoCapture(0)
    cv2.namedWindow('camera', cv2.WINDOW_AUTOSIZE)
    
    while cap.isOpened():
        ret, frame = cap.read()
        if ret:
            if frame is not None:
                gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)                     # 高斯模糊
                hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)                 # 转化成HSV图像
                erode_hsv = cv2.erode(hsv, None, iterations=2)                   # 腐蚀 粗的变细
                inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper'])
                cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
    
                c = max(cnts, key=cv2.contourArea)
                rect = cv2.minAreaRect(c)
                box = cv2.boxPoints(rect)
                cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)
    
                cv2.imshow('camera', frame)
                cv2.waitKey(1)
            else:
                print("无画面")
        else:
            print("无法读取摄像头！")
    
    cap.release()
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 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**

ball_color = 'green'
    
    color_dist = { 'red': { 'Lower': np.array([0, 60, 60]), 'Upper': np.array([6, 255, 255])},
                  'blue': { 'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},
                  'green': { 'Lower': np.array([35, 43, 35]), 'Upper': np.array([90, 255, 255])},
                  }

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**

gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)                   # 高斯模糊
    hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)                 # 转化成HSV图像
    erode_hsv = cv2.erode(hsv, None, iterations=2)                  # 腐蚀 粗的变细
    inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper'])

**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**

cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
    c = max(cnts, key=cv2.contourArea)
    rect = cv2.minAreaRect(c)
    box = cv2.boxPoints(rect)
    cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)

**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。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191113105902266.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[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]: https://img-blog.csdnimg.cn/20191113115830193.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191113115847523.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191113115923470.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191113115938265.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20191113120700965.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70
[findContours]: https://www.cnblogs.com/GaloisY/p/11062065.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20191113121605969.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlZV9TdGFy,size_16,color_FFFFFF,t_70