学习颜色识别之前先介绍一下新认识的图像格式HSV：

色调H

用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,紫色为300°；

 

饱和度S

饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

 

明度V

明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。

注意：H:  0 — 180；S:  0 — 255；V:  0 — 255。

那么为什么不直接用RGB格式呢？

由于数字图像中物体颜色的R、G和B分量都与照射到物体上的光量相关，因此相互关联，因此根据这些分量的图像描述使得物体识别困难。色调/明度/色度或色调/明度/饱和度方面的描述通常更相关。

预处理

在识别前要对图像做一系列预处理：

1.高斯模糊

将原图像进行模糊处理，方便颜色的提取

img1 = cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
#src: 输入图像
#ksize:高斯卷积核的大小，注意 ： 卷积核的宽度和高度都应为奇数，且可以不同
#sigmaX: 水平方向的标准差
#sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同
#borderType:填充边界类型

2.BGR转化为HSV

 cv2.cvtColor(图像对象, cv2.COLOR_之前图像格式2要转换成的图像格式)
#第二个参数的意思就是在被转换格式和预转换格式之间加一个‘2’
#比方RGB转HSV === cv2.COLOR_RGB2HSV
#这里列举一下基本的图片格式
#BGR
#RGB
#GRAY
#HSV
#YCRCb
#HLS
#XYZ
#LAB
#YUV

3.去噪

基本上是腐蚀、膨胀、开闭运算的运用，具体要看环境情况，可以参考Day3博客里介绍的各种方法的优缺点来抉择用上门处理方法

树莓派 Opencv-基于Python学习记录DAY-3 形态学处理-腐蚀、膨胀、开闭运算_凉山有客不自赏的博客-CSDN博客

颜色识别

cv2.inRange(hsv, lower_, upper_)#处理对象，阈值上限，阈值下限

这一步就是对单一颜色的识别，将目标颜色的颜色转换为白色，其他背景转换为黑色

获取阈值

关于颜色阈值的获取可以使用以下代码，通过导入图片，拖动滑块获取阈值

import cv2
import numpy as npdef nothing(x):passcv2.namedWindow("Tracking")cv2.createTrackbar("LH","Tracking",35,255,nothing)
cv2.createTrackbar("LS","Tracking",43,255,nothing)
cv2.createTrackbar("LV","Tracking",46,255,nothing)
cv2.createTrackbar("UH","Tracking",77,255,nothing)
cv2.createTrackbar("US","Tracking",255,255,nothing)
cv2.createTrackbar("UV","Tracking",255,255,nothing)#cv2.createTrackbar:绑定滑动条和窗口，定义滚动条的数值
#参数
#第一个参数时滑动条的名字，
#第二个参数是滑动条被放置的窗口的名字，
#第三个参数是滑动条默认值，
#第四个参数时滑动条的最大值，
#第五个参数时回调函数，每次滑动都会调用回调函数。while True:frame = cv2.imread('1.jpeg')hsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)#转换图像格式l_h = cv2.getTrackbarPos("LH","Tracking")l_s = cv2.getTrackbarPos("LS","Tracking")l_v = cv2.getTrackbarPos("LV","Tracking")u_h = cv2.getTrackbarPos("UH","Tracking")u_s = cv2.getTrackbarPos("US","Tracking")u_v = cv2.getTrackbarPos("UV","Tracking")#cv2.getTrackbarPos：得到滑动条的数值#参数#第一个参数是滑动条名字，#第二个时所在窗口，#返回值是滑动条的数值。l_g = np.array([l_h, l_s, l_v]) # 阈值下限u_g = np.array([u_h,u_s,u_v])   # 阈值上限mask = cv2.inRange(hsv,l_g,u_g) # 二值化res=cv2.bitwise_and(frame,frame,mask=mask) #cv2.bitwise_and是对二进制数据进行“与”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，将原图与二值化图像与运算，将阈值内的颜色以原本颜色显示cv2.imshow("frame", frame)cv2.imshow("mask", mask)cv2.imshow("res", res)#显示窗口key = cv2.waitKey(1) if key == 27: break        
cv2.destroyAllWindows()
#延时，当按下ESC时关闭窗口，如果用户没有按下键，则继续等待下一个delay时间(循环)，直到用户按键触发

  效果展示：

 摄像头实时颜色识别

import cv2
import numpy as npball_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'])cv2.imshow('camera', inRange_hsv)cv2.waitKey(1)else:print("无画面")else:print("无法读取摄像头！")cap.release()
cv2.waitKey(0)
cv2.destroyAllWindows()

轮廓识别

主要使用cv2.findContours()函数来查找检测物体的轮廓。前提是对二值化的图片检测。

contours, hierarchy=cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  #第一个参数是寻找轮廓的图像；#第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）：
#    cv2.RETR_EXTERNAL     表示只检测外轮廓
#    cv2.RETR_LIST                检测的轮廓不建立等级关系
#    cv2.RETR_CCOMP          建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息.
#如果内孔内还有一个连通物体，这个物体的边界也在顶层。
#    cv2.RETR_TREE            建立一个等级树结构的轮廓。#第三个参数method为轮廓的近似办法
#    cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-#x2），abs（y2-y1））==1
#    cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例#如一个矩形轮廓只需4个点来保存轮廓信息
#    cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法#返回值
#cv2.findContours()函数返回两个值，一个是轮廓本身contour，还有一个是每条轮廓对应的属性hierarchy。
#contour返回一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。
#hierarchy返回一个可选的hiararchy结果，这是一个ndarray，其中的元素个数和轮廓个数相同，每个轮廓#contours[i]对应4个hierarchy元素hierarchy[i][0] ~hierarchy[i][3]，分别表示后一个轮廓、前一个轮
#廓、父轮廓、内嵌轮廓的索引编号，如果没有对应项，则该值为负数

轮廓绘制

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]]) #第一个参数是指明在哪幅图像上绘制轮廓；
#第二个参数是轮廓本身，在Python中是一个list。
#第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
#后面的参数很简单。其中thickness表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式。绘制参数将在以后独立详细介绍。

示例代码

import cv2  img = cv2.imread("./example.png")  gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)  contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(img,contours,-1,(0,0,255),3)  cv2.imshow("img", img)  
cv2.waitKey(0)