OpenCV 顏色檢測

1.導入必要的包并初始化相機

import cv2
import numpy as np

# Reading the image
img = cv2.imread('test.jpg')

# Showing the output

cv2.imshow("Image", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 從輸入圖像中檢測顏色并創建MASK

# convert to hsv colorspace
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# lower bound and upper bound for Green color
lower_bound = np.array([25, 52, 72])
upper_bound = np.array([100, 255, 255])

# find the colors within the boundaries
mask = cv2.inRange(hsv, lower_bound, upper_bound)

 3. 從MASK中去除不必要的噪音

np.ones((7,7),np.uint8) 創建一個 5×5 8 位整數矩陣。
cv2.MORPH_CLOSE 從白色區域中去除不必要的黑噪聲。
cv2.MORPH_OPEN 從遮罩的黑色區域去除白噪聲。

#define kernel size  
kernel = np.ones((7,7),np.uint8)

# Remove unnecessary noise from mask

mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

4. 在圖像上應用mask

# Segment only the detected region
segmented_img = cv2.bitwise_and(img, img, mask=mask)

5. 繪制檢測到的對象的邊界

# Find contours from the mask
contours, hierarchy = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

output = cv2.drawContours(segmented_img, contours, -1, (0, 0, 255), 3)

# Showing the output
imgs = np.hstack([img, output])
cv2.imshow("Image", imgs)

 6. 用矩形方框畫顏色區域 （忽略4到5步驟）

找到區域面積大于300的，加入到color_bounding_rect鏈表里

# For greencolor
mask = cv2.dilate(mask, kernel)

# Creating contour to track red color
contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print('contours', contours)
# print('hierarchy', hierarchy)
color_bounding_rect = list()
min_area = 300

for pic, contour in enumerate(contours):

    area = cv2.contourArea(contour)
    if (area > min_area):
        color_bounding_rect.append(cv2.boundingRect(contour))

7. 畫綠色顏色的方框，并且標上Green

for  x, y, w, h  in color_bounding_rect:
    print('x, y, w, h', x, y, w, h)
    img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

    cv2.putText(img, "green", (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255))


cv2.imshow("Image", img)

相關函數解釋

1.  cv2.dilate(A, B)

• 此操作包括將圖像 A 與一些內核 (B) 進行卷積，該內核可以具有任何形狀或大小，通常是正方形或圓形。
• 內核 B 有一個定義的錨點，通常是內核的中心。
• 當內核 B 在圖像上掃描時，我們計算與 B 重疊的最大像素值，并將錨點位置的圖像像素替換為該最大值。 正如您可以推斷的那樣，這種最大化操作會導致圖像中的明亮區域“增長”（因此稱為膨脹）。
• 膨脹運算為： 

效果如下：

2.  cv2.erode(A, B)

和Dilate函數差不多，不一樣的地方是用B做卷機后取最小值

效果如下：

??????????????

 3. image,contours,hierarchy = cv2.findContours(contour,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

輸入：

contour：帶有輪廓信息的圖像；

cv2.RETR_TREE：提取輪廓后，輸出輪廓信息的組織形式，除了cv2.RETR_TREE還有以下幾種選項：

• cv2.RETR_EXTERNAL：輸出輪廓中只有外側輪廓信息；
• cv2.RETR_LIST：以列表形式輸出輪廓信息，各輪廓之間無等級關系；
• cv2.RETR_CCOMP：輸出兩層輪廓信息，即內外兩個邊界（下面將會說到contours的數據結構）；
• cv2.RETR_TREE：以樹形結構輸出輪廓信息。

cv2.CHAIN_APPROX_SIMPLE：指定輪廓的近似辦法，有以下選項：

• cv2.CHAIN_APPROX_NONE：存儲輪廓所有點的信息，相鄰兩個輪廓點在圖象上也是相鄰的；
• cv2.CHAIN_APPROX_SIMPLE：壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標；
• cv2.CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法保存輪廓信息。
   

輸出：

python3里返回三個值：image,contours,hierarchy

image：可能是跟輸入contour類似的一張二值圖；

contours：list結構，列表中每個元素代表一個邊沿信息。每個元素是(x,1,2)的三維向量，x表示該條邊沿里共有多少個像素點，第三維的那個“2”表示每個點的橫、縱坐標；

注意：如果輸入選擇cv2.CHAIN_APPROX_SIMPLE，則contours中一個list元素所包含的x點之間應該用直線連接起來，這個可以用cv2.drawContours()函數觀察一下效果。

hierarchy：返回類型是(x,4)的二維ndarray。x和contours里的x是一樣的意思。如果輸入選擇cv2.RETR_TREE，則以樹形結構組織輸出，hierarchy的四列分別對應下一個輪廓編號、上一個輪廓編號、父輪廓編號、子輪廓編號，該值為負數表示沒有對應項。

參考資料

OpenCV: Eroding and Dilating