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：
OpenCv颜色追踪_程序手动调试HSV色彩空间_检测灰度图中的圆
今日学习的程序主要是为了能够手动微调整好更为适合多变环境的HSV色彩空间
文章提供测试代码讲解，整体代码贴出、测试效果图
目录
实验目的：
实时地从视频流中检测特定颜色范围内的圆形物体。
用户可以通过Trackbars调整HSV颜色阈值来指定要检测的HSV颜色范围。使得程序对特定颜色小球的检测更为准确
检测到的圆形物体将在原始帧上被绘制出来，并根据其大小以不同的颜色和线宽进行区分。此外，如果检测到的圆的半径超过某个阈值（在这里是35），则会设置一个标志（
buzz）。实验全部过程视频：
OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆
完整实例代码贴出:
实时地从视频流中检测特定颜色范围内的圆形物体。
可以通过Trackbars调整HSV颜色阈值来指定要检测圆的颜色范围。
# -*- coding: utf-8 -*- import cv2 import numpy as np import time kernel = np.ones((5,5),np.uint8) # 从网络摄像头获取输入 cap = cv2.VideoCapture(0) time.sleep(0.5) # 将视频尺寸减小到320x240，这样rpi处理速度就会更快 cap.set(3,320) cap.set(4,240) #第一个空回调函数 def nothing(x): pass # 创建一个供以后使用的窗口 cv2.namedWindow('HueComp') cv2.namedWindow('SatComp') cv2.namedWindow('ValComp') cv2.namedWindow('closing') cv2.namedWindow('tracking') # 创建跟踪条的最小和最大的色调，饱和度和价值 # 允许用户实时调整参数值HSV cv2.createTrackbar('hmin', 'HueComp',12,179,nothing) cv2.createTrackbar('hmax', 'HueComp',37,179,nothing) cv2.createTrackbar('smin', 'SatComp',96,255,nothing) cv2.createTrackbar('smax', 'SatComp',255,255,nothing) cv2.createTrackbar('vmin', 'ValComp',186,255,nothing) cv2.createTrackbar('vmax', 'ValComp',255,255,nothing) while(1): buzz = 0 #读取帧并转换到HSV空间 _, frame = cap.read() hsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV) hue,sat,val = cv2.split(hsv) #获取Trackbar的当前值 hmn = cv2.getTrackbarPos('hmin','HueComp') hmx = cv2.getTrackbarPos('hmax','HueComp') smn = cv2.getTrackbarPos('smin','SatComp') smx = cv2.getTrackbarPos('smax','SatComp') vmn = cv2.getTrackbarPos('vmin','ValComp') vmx = cv2.getTrackbarPos('vmax','ValComp') #应用HSV阈值 hthresh = cv2.inRange(np.array(hue),np.array(hmn),np.array(hmx)) sthresh = cv2.inRange(np.array(sat),np.array(smn),np.array(smx)) vthresh = cv2.inRange(np.array(val),np.array(vmn),np.array(vmx)) # 组合HSV阈值 使用按位与操作来组合三个HSV分量的阈值结果，从而得到颜色范围内所有像素的掩码。 tracking = cv2.bitwise_and(hthresh,cv2.bitwise_and(sthresh,vthresh)) #形态学操作 #对掩码进行膨胀、闭操作和高斯模糊，以减少噪声并增强圆形物体的检测。 dilation = cv2.dilate(tracking,kernel,iterations = 1) closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel) closing = cv2.GaussianBlur(closing,(5,5),0) #使用霍夫圆变换来检测圆形。 circles = cv2.HoughCircles(closing,cv2.HOUGH_GRADIENT,2,120,param1=120,param2=50,minRadius=10,maxRadius=0) #绘制检测到的圆形 #如果检测到圆形，就在原始帧上绘制它们。根据圆形的半径大小，使用不同的颜色和线宽进行绘制。 if circles is not None: x, y, r = circles[0][0] x_p = int(round(x)) print (x_p) for i in circles[0,:]: if int(round(i[2])) < 30: cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),int(round(i[2])),(0,255,0),5) cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),2,(0,255,0),10) elif int(round(i[2])) > 35: cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),int(round(i[2])),(0,0,255),5) cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),2,(0,0,255),10) buzz = 1 cv2.imshow('HueComp',hthresh) cv2.imshow('SatComp',sthresh) cv2.imshow('ValComp',vthresh) cv2.imshow('closing',closing) cv2.imshow('tracking',frame) if cv2.waitKey(1) & 0xFF == ord('q'): cap.release() L_Motor.stop() R_Motor.stop() GPIO.cleanup() cv2.destroyAllWindows() break cap.release() cv2.destroyAllWindows()
代码小结:
1、创建Trackbar
2、始化循环，读取帧并转换到HSV空间
3、获取Trackbar的当前值
4、应用HSV阈值
5、组合HSV阈值
6、形态学操作
7、检测圆形
8、绘制检测到的圆形
9、输出和判断
代码实验操作与测试结果图:
1、使用树莓派的USB摄像头拍摄一张球形物体的图片用于取色获取大致BGR色域范围：
我的颜色范围是：138 67 17
拍摄程序在这篇文章有提到：树莓派4B_OpenCv学习笔记4:测试摄像头_imread加载显示图像_imwrite保存图片_树莓派摄像头怎么保存照片-CSDN博客
2、运行程序将BGR颜色空间转换为HSV：
BGR_HSV转换程序在这篇文章有提到：
树莓派4B_OpenCv学习笔记6:OpenCv识别已知颜色_运用掩膜_树莓派 图像融合-CSDN博客
3、运行本次实验的程序，将TrackBar调整到差不多的HSV范围：
发现如果不进行调整直接运用第二步得到的颜色空间范围，那么将会检测到许多的“圆”：
然后根据HSV窗口展示轮廓，调整它们的最大值与最小值，使其掩膜中的目标圆球轮廓更清晰，而其余噪声点更小：
然后拿远点测试，以及将瓶盖侧放，看是否会误检测为圆：
应用HSV阈值函数 cv2.inRange()：
#应用HSV阈值
hthresh = cv2.inRange(np.array(hue),np.array(hmn),np.array(hmx))
sthresh = cv2.inRange(np.array(sat),np.array(smn),np.array(smx))
vthresh = cv2.inRange(np.array(val),np.array(vmn),np.array(vmx))
hthresh
np.array(hue): HSV图像中的色调通道（H）。np.array(hmn): 色调通道的下限值。np.array(hmx): 色调通道的上限值。- 输出: 一个二值图像，其中在
hmn和hmx之间的色调值被设置为白色，其他值被设置为黑色。
sthresh
np.array(sat): HSV图像中的饱和度通道（S）。np.array(smn): 饱和度通道的下限值。np.array(smx): 饱和度通道的上限值。- 输出: 一个二值图像，其中在
smn和smx之间的饱和度值被设置为白色，其他值被设置为黑色。
vthresh
np.array(val): HSV图像中的亮度通道（V或I，取决于你如何称呼它）。np.array(vmn): 亮度通道的下限值。np.array(vmx): 亮度通道的上限值。- 输出: 一个二值图像，其中在
vmn和vmx之间的亮度值被设置为白色，其他值被设置为黑色。Tip：之前的颜色追踪实验也用到了掩膜，inRange(),只不过指定的通道为HSV全部：
组合HSV阈值 cv2.bitwise_and():
# 组合HSV阈值 使用按位与操作来组合三个HSV分量的阈值结果，
从而得到颜色范围内所有像素的掩码。
tracking = cv2.bitwise_and(hthresh,cv2.bitwise_and(sthresh,vthresh))
函数作用：
cv2.bitwise_and()对两个数组进行按位与操作，通常用于组合或修改二值图像。当想将多个二值图像（或掩码）组合在一起时，通常需要使用这个函数来确保只有在所有掩码中对应位置都为“真”（即白色或255）的像素才会在结果图像中保留为白色。
在给出的例子中，将三个HSV分量（色调、饱和度和亮度）的阈值结果组合成一个最终的掩码，以识别特定颜色范围内的所有像素。
在这个修正后的代码中：
hsv_thresh_hs是hthresh和sthresh的按位与结果，它只包含同时在色调和饱和度范围内的像素。tracking是hsv_thresh_hs和vthresh的按位与结果，它只包含同时在色调、饱和度和亮度范围内的像素，即您想要跟踪的颜色范围内的所有像素。
形态学操作函数:(膨胀/腐蚀/开运算/闭运算):
closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)
cv2.morphologyEx()是 OpenCV 中用于形态学变换的函数，它可以执行各种形态学操作，如腐蚀（erosion）、膨胀（dilation）、开运算（opening）和闭运算（closing）等。在给出的例子中，
cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)是执行闭运算（closing operation）的调用。函数作用：闭运算首先执行膨胀操作，然后执行腐蚀操作。闭运算的主要目的是消除图像中的小孔（即黑色区域中的白色点），并连接相邻的对象。这在图像处理中用于平滑物体的轮廓，去除小的孔洞，以及连接断裂的轮廓。
传入参数：
src：输入图像，通常是二值图像。在给出的例子中，是
dilation，即已经过膨胀操作的图像。
- 类型：可以是灰度图或二值图，其数据类型通常是
CV_8U,CV_16U,CV_16S,CV_32F, 或CV_64F之一。- 描述：源图像，即要进行形态学操作的图像。
operation：形态学操作的类型。在给出的例子中，是
cv2.MORPH_CLOSE，表示执行闭运算。
cv2.MORPH_ERODE：腐蚀操作cv2.MORPH_DILATE：膨胀操作cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）cv2.MORPH_GRADIENT：形态学梯度cv2.MORPH_TOPHAT：原图像减去膨胀的图像cv2.MORPH_HITMISS：结构元素对应的点集比较- 注意：其他可能还有如
cv2.MORPH_BLACKHAT等操作，具体请参考 OpenCV 官方文档。kernel：结构元素（structuring element）。
- 类型：数组，通常是 numpy 数组，形状如矩形、椭圆或交叉形等。
- 描述：定义了形态学操作的局部形状和大小。可以使用
cv2.getStructuringElement()函数来创建结构元素。dst (输出图像, 可选):
- 类型：与
src相同的数据类型- 描述：输出图像，如果未指定，则函数会创建一个新的输出图像。
anchor (锚点位置, 可选):
- 类型：元组，指定了结构元素的锚点位置。
- 描述：默认为结构元素的中心。如果指定了锚点，则形态学操作将围绕该点进行。
iterations (迭代次数, 可选):
- 类型：整数
- 描述：腐蚀与膨胀被应用的次数。默认为1。
borderType (边界类型, 可选):
- 类型：整数
- 描述：像素边界扩展类型，具体类型请参考 OpenCV 官方文档中的
BorderTypes。borderValue (边界值, 可选):
- 类型：与
src相同的数据类型- 描述：当
borderType为BORDER_CONSTANT时，用于填充边界的常量值。
高斯模糊cv2.GaussianBlur():
closing = cv2.GaussianBlur(closing,(5,5),0)
在 OpenCV 中用于对图像进行高斯模糊。高斯模糊是一种用于减少图像噪声和细节层次的图像滤波技术。它使用一个高斯函数来创建模糊滤波器，该滤波器在中心点的权重最高，然后随着距离的增加权重逐渐降低。
该函数对
closing图像进行高斯模糊。这通常在图像处理流程中用于减少图像的细节和噪声，尤其是在特征检测或对象识别之前。
传入参数：
- src (
closing在此例中)：输入图像，即要进行高斯模糊的图像。- ksize ((5,5) 在此例中)：高斯核的大小。它必须是正奇数，并且可以是元组
(width, height)，其中width和height必须是正整数且都是奇数。如果ksize是一个整数，那么它会被视为(ksize, ksize)的正方形核。在此例中，(5,5)表示一个 5x5 的核。- sigmaX (0 在此例中)：X 方向的标准差；决定了模糊的程度。如果
sigmaX是 0，那么它会根据核大小来计算。如果sigmaY也是 0，那么sigmaY会与sigmaX相等。在此例中，因为sigmaX是 0，所以会根据 5x5 的核大小来计算标准差。输出：
输出是一个与输入图像closing大小和类型相同的新图像，其中包含了高斯模糊的结果。这个新的图像是原图像的模糊版本，细节层次被降低，噪声被减少。
霍夫圆变换来检测圆形:
#使用霍夫圆变换来检测圆形。
circles = cv2.HoughCircles(closing,cv2.HOUGH_GRADIENT,2,120,param1=120,param2=50,minRadius=10,maxRadius=0)
cv2.HoughCircles函数用于在灰度图像中检测圆形。它使用霍夫变换的一个变种来检测图像中的圆形。传入参数：
image：8位单通道灰度图像。method：检测方法，如cv2.HOUGH_GRADIENT或cv2.HOUGH_GRADIENT_ALT。dp：检测器分辨率的倒数。如果设置为 1，则与图像分辨率相同。如果设置为 2，则分辨率是原始图像的一半。minDist：检测到的圆心之间的最小距离。param1：Canny 边缘检测中的高阈值。param2：在检测阶段，检测到的圆心的累加器阈值。这个值越小，检测到的圆就越多。minRadius：最小圆半径。maxRadius：最大圆半径。如果设置为 0，则使用最大可能的半径。输出：
返回一个 NumPy 数组，其中包含检测到的圆的 (x,y) 坐标和半径。数组的形状是(num_circles, 3)，其中每一行包含三个值：(x, y, radius)。