树莓派4B_OpenCv学习笔记13:OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆

发布于:2024-07-01 ⋅ 阅读:(80) ⋅ 点赞:(0)

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:

实验大致过程视频:

完整实例代码贴出:

代码小结:

代码实验操作与测试结果图:

应用HSV阈值函数 cv2.inRange():

组合HSV阈值 cv2.bitwise_and():

形态学操作函数:(膨胀/腐蚀/开运算/闭运算):

高斯模糊cv2.GaussianBlur():

 霍夫圆变换来检测圆形:

网上查阅资料贴出:


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))

  1. 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hmnhmx之间的色调值被设置为白色,其他值被设置为黑色。
  2. 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smnsmx之间的饱和度值被设置为白色,其他值被设置为黑色。
  3. 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vmnvmx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:

树莓派4B_OpenCv学习笔记12:OpenCv颜色追踪_画出轨迹-CSDN博客

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_hshthreshsthresh 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。
  • trackinghsv_thresh_hsvthresh 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 borderTypeBORDER_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

  1. src (closing 在此例中):输入图像,即要进行高斯模糊的图像。
  2. 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 widthheight 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。
  3. 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,maxRadiu
s=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

  1. image:8位单通道灰度图像。
  2. method:检测方法,如 cv2.HOUGH_GRADIENTcv2.HOUGH_GRADIENT_ALT
  3. 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。
  4. minDist:检测到的圆心之间的最小距离。
  5. param1:Canny 边缘检测中的高阈值。
  6. 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。
  7. minRadius:最小圆半径。
  8. 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)

网上查阅资料贴出:

[树莓派基础]8.树莓派OpenCV颜色追踪讲解_哔哩哔哩_bilibili

文心一言