树莓派4B_OpenCv学习笔记6:OpenCv识别已知颜色

今日继续学习树莓派4B 4G：（Raspberry Pi，简称RPi或RasPi）

本人所用树莓派4B 装载的系统与版本如下:

版本可用命令 (lsb_release -a) 查询:

Opencv 版本是4.5.1：

学了这些OpenCv的理论性知识，不进行实践实在是太无聊了，今天就尝试使用OpenCv，已知颜色信息，来识别一张图片的颜色，并输出掩膜图像，坐标范围等。

目录

掩膜的基本知识:

RGB颜色控件与HSV：

RGB颜色空间

HSV颜色空间

准备需要识别的图片:

编写RGB转BGR程序：

测试转换程序:

编写颜色识别程序:

测试颜色识别程序:

更改掩膜颜色:

进一步获取掩膜的有用参数：

1、计算掩膜覆盖的像素:

2、找到掩膜中物体的边界框（Bounding Box）：

3、计算掩膜中物体的质心（Centroid）：

4、计算掩膜中物体的面积：

综合测试效果如下:

整体测试工程下载：

网上查阅资料贴出:

掩膜的基本知识:

掩膜是由0和1组成的一个二进制图像。

当在某一功能中应用掩膜时，1值区域被处理，被屏蔽的0值区域不被包括在计算中。通过制定的数据值，数据范围，有限或无限值，感兴趣区和注释文件来定义图像掩膜，也可以应用上述选项的任意组合作为输入来建立掩膜。

以下定义为AI生成:

**掩膜（Mask）**是一个二维数组（或矩阵），通常与图像具有相同的尺寸，但数据类型通常是二值化的（例如，8位无符号整数，其中0表示“无”或“透明”，而非零值（如255）表示“有”或“不透明”）。掩膜在图像处理中主要用于以下目的：

区域选择：你可以使用掩膜来选择图像中的特定区域进行进一步处理。例如，你可能只对图像中的某个特定形状或区域感兴趣，那么你可以创建一个只在该区域内部为1（或255），其他地方为0的掩膜，然后将其与原始图像相乘，从而只保留你感兴趣的区域。
形态学操作：在形态学图像处理中，如腐蚀（erosion）和膨胀（dilation），掩膜被用作结构元素。这些结构元素定义了邻域的形状和大小，用于确定像素的邻域如何影响该像素的最终值。
融合和混合：掩膜也可以用于将两个或多个图像融合在一起。例如，你可以使用掩膜来定义如何将一个图像的内容叠加到另一个图像上，只在掩膜为1的位置进行叠加。
图像修复：在图像修复或去噪中，掩膜可以帮助确定哪些像素需要被修复或替换。

RGB颜色控件与HSV：

在已知的图像中我们常用RGB的三元值大小来描述一个颜色，但RGB不适用于环境变化的情况，因此需要将RGB转换为HSV的描述形式，

这里需要注意的是，通过软件获取RGB数值后，传给Opencv程序的顺序应该是BGR！

RGB颜色空间

RGB（红、绿、蓝）颜色控件是基于RGB颜色空间的。RGB颜色空间是工业界的一种颜色标准，它使用三个颜色通道（红色、绿色和蓝色）来表示颜色。每个通道都有256个可能的值（从0到255），因此RGB颜色空间可以表示约16,777,216种不同的颜色（即256^3）。

特点：

基础性：RGB颜色空间是图像处理中最基本、最常用的颜色空间，因为它与大多数显示设备和打印设备直接相关。
面向硬件：RGB颜色空间是面向硬件的，因此它在计算机图形和图像处理中非常常见。
受亮度影响：RGB颜色空间的三个分量（红、绿、蓝）都与亮度密切相关。因此，当亮度改变时，三个分量都会相应地改变。
均匀性较差：RGB颜色空间是一种均匀性较差的颜色空间，因为人眼对这三种颜色分量的敏感程度是不一样的。

HSV颜色空间

HSV（色调、饱和度、明度）颜色控件是基于HSV颜色空间的。HSV颜色空间比RGB更接近人们对彩色的感知经验，它使用色调（Hue）、饱和度（Saturation）和明度（Value）三个参数来描述颜色。

特点：

直观性：HSV颜色空间非常直观地表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色的对比。
稳定性：HSV颜色空间在面对光照变化时比RGB更稳定，能更好地反映颜色的本质。
适合图像处理：由于HSV颜色空间的直观性和稳定性，它在图像处理中比RGB更受欢迎。例如，在HSV颜色空间下，更容易跟踪某种颜色的物体，常用于分割指定颜色的物体。
参数范围：在HSV颜色空间中，色调（H）的取值范围为0°到360°，饱和度（S）和明度（V）的取值范围通常为0%到100%。

准备需要识别的图片:

这里我使用Photoshop随手画了个图片，并使用取色器获取到了

其中蓝色区域RGB的数值：

B:        255

G:        97

R:        34

# coding=utf-8
import sys
import numpy as np
import cv2blue = sys.argv[1]
green = sys.argv[2]
red = sys.argv[3]  color = np.uint8([[[blue, green, red]]])
hsv_color = cv2.cvtColor(color, cv2.COLOR_BGR2HSV)hue = hsv_color[0][0][0]print("Lower bound is :"),
print("[" + str(hue-10) + ", 100, 100]\n")print("Upper bound is :"),
print("[" + str(hue + 10) + ", 255, 255]")

编写RGB转BGR程序：

编写以下程序能辅助我们将已知颜色的BGR数值转换为HSV形式:

# coding=utf-8
import sys
import numpy as np
import cv2blue = sys.argv[1]
green = sys.argv[2]
red = sys.argv[3]  color = np.uint8([[[blue, green, red]]])
hsv_color = cv2.cvtColor(color, cv2.COLOR_BGR2HSV)hue = hsv_color[0][0][0]print("Lower bound is :"),
print("[" + str(hue-10) + ", 100, 100]\n")print("Upper bound is :"),
print("[" + str(hue + 10) + ", 255, 255]")

测试转换程序:

1、现将编写好的脚本传输给树莓派（通过mobaxterm的SSH远程连接）：

2、在终端输入命令运行得到运算结果如下：

编写颜色识别程序:

1、接下来编写颜色识别程序如下：

注意: 如果你使用的图片需要检测的已知BGR与我不一致，那你需要再回到上一步获取对应HSV值，并在代码中将这俩行替换:

# 这行指定了文件的编码格式为utf-8
# coding=utf-8 import cv2
import numpy as np# 使用cv2.imread函数读取指定路径下的图片文件。第二个参数1表示读取彩色图像（BGR格式）
img = cv2.imread('/home/pi/Pictures/Colour_test1.jpg', 1)# 使用cv2.resize函数调整图像大小。这里，目标宽度和高度被设置为(0,0)，表示将按照给定的缩放因子fx和fy来缩放图像。  
# fx=0.2和fy=0.2表示图像在水平和垂直方向上都将缩小到原来的20%。 
#img = cv2.resize(img, (0,0), fx=0.2, fy=0.2)# 将图像从BGR色彩空间转换为HSV色彩空间。HSV色彩空间更适用于颜色范围检测，因为它基于色调(H)、饱和度(S)和亮度(V)。
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 定义一个NumPy数组，表示HSV色彩空间中颜色的下界。这里的数值代表色调、饱和度和亮度的最小值。 
lower_range = np.array([101, 100, 100], dtype=np.uint8)
# 定义一个NumPy数组，表示HSV色彩空间中颜色的上界。这里的数值代表色调、饱和度和亮度的最大值。  
upper_range = np.array([121, 255, 255], dtype=np.uint8)# 使用cv2.inRange函数根据指定的HSV颜色范围创建一个掩码图像。该掩码图像中，属于指定颜色范围的像素值为255（白色），其他像素值为0（黑色）。  
mask = cv2.inRange(hsv, lower_range, upper_range)# 使用cv2.imshow函数显示掩码图像，窗口标题为'mask'。  
cv2.imshow('mask',mask)
# 使用cv2.imshow函数显示原始图像（经过缩放和色彩空间转换后），窗口标题为'image'。  
cv2.imshow('image', img)while(1):
#等待用户按键，按下‘q’就释放资源退出程序key=cv2.waitKey(1)if key&0XFF==ord('q'):breakcv2.destroyAllWindows()

2、将图片SSH传输给树莓派:

注意: 图片位置需要与程序对应，这个请自行检查：

测试颜色识别程序:

发现能够将识别到的颜色掩膜输出:

更改掩膜颜色:

我们可以在之前程序基础上对掩膜的颜色进行更改: 只需添加一句：

然后就改变掩膜的颜色为灰色了:

进一步获取掩膜的有用参数：

1、计算掩膜覆盖的像素:

需要注意的是，这里的mask的值需要根据你的具体设置进行更改:
num_pixels = np.sum(mask == 255)  # 或者 np.count_nonzero(mask)  print(f"Number of pixels in the mask: {num_pixels}")

2、找到掩膜中物体的边界框（Bounding Box）：

通过寻找掩膜中所有非零像素的边界，您可以得到这些像素在图像中的位置。

# 使用OpenCV的findContours函数找到轮廓  
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 假设我们只关心最大的轮廓（即最大的物体）  
if contours:  c = max(contours, key=cv2.contourArea)  x, y, w, h = cv2.boundingRect(c)  print(f"Bounding box of the object: ({x}, {y}), ({w}, {h})")

3、计算掩膜中物体的质心（Centroid）：

质心是物体所有像素的加权平均位置。

M = cv2.moments(contours[0]) if contours else None  
if M != None:  cX = int(M["m10"] / M["m00"])  cY = int(M["m01"] / M["m00"])  print(f"Centroid of the object: ({cX}, {cY})")