基于颜色的图像识别_图像数据颜色识别

基于颜色的图像识别

上一期我们介绍了 CreateTrackbar 的使用方法。链接如下：

[]: https://blog.csdn.net/Daylight_V/article/details/135110717?spm=1001.2014.3001.5501

背景：这一期我们就要利用这个去进行颜色识别。在之前的图像识别时，我们总会面对许多问题，诸如在形态学操作时，无法很好分离出物体，亦或是无法很好保留最初物体的轮廓，往往对阈值的挑选有着更严苛的要求，同时大大降低了其普适性。

• 颜色识别的基本流程

读取图像 — 颜色空间转换 — 筛选阈值 — 形态学操作 — 轮廓识别

• 核心API（一）

void cvtColor(输入图像,
			  输出图像,
			  颜色转换方式);//其中颜色转换方式有转HSV ，GRAY等等
1
2
3

不同于之前的图像识别，在颜色识别时，一般转成HSV图像，这是因为将图像转换为HSV色彩空间的主要原因是HSV色彩空间更符合人类对颜色的感知，它包含了色相（Hue）、饱和度（Saturation）和亮度（Value）三个分量，可以更好地描述颜色的属性。在HSV色彩空间中，色相表示颜色的种类，饱和度表示颜色的纯度，亮度表示颜色的明暗程度。相比之下，BGR色彩空间是RGB色彩模型在计算机领域的一种实现，它不直观地描述颜色的属性，不方便进行颜色的区分和识别。

• 核心API（二）

void inRange(输入图像,
   			 阈值下限,
   			 阈值上限,
   			 输出图像);
1
2
3
4

其中，在选择阈值上限以及下限时，使用的是Scalar(H, S, V)

HSV颜色空间中，颜色的范围通常是通过调整H（色相）、S（饱和度）、V（亮度/明度）三个通道的阈值来确定的。下面是一些常见颜色的HSV范围：

• 红色：

• H: 0-10 和 170-180

• S: 50-255

• V: 50-255

• 橙色：

• H: 11-25

• S: 50-255

• V: 50-255

• 黄色：

• H: 26-35

• S: 50-255

• V: 50-255

• 绿色：

• H: 36-85

• S: 50-255

• V: 50-255

• 青色：

• H: 86-125

• S: 50-255

• V: 50-255

• 蓝色：

• H: 126-145

• S: 50-255

• V: 50-255

• 紫色：

• H: 146-165

• S: 50-255

• V: 50-255

  往往在真实图像中，我们无法得到标准的红蓝黄色，因此需要用滑动条来一点点try，得到最好的效果。

• 下面展示实战

分别将不同颜色的形状识别出来
代码

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int lowH = 11;
int highH = 20;
int lowS = 53;
int highS = 158;
int lowV = 156;
int highV = 215;//以上作为筛选阈值的变量

int main()
{
	Mat src = imread("color.png");//读取图像
	Mat dst;
	Mat threimage;
	
	namedWindow("adjust");
	createTrackbar("lowH", "adjust", &lowH, 180);
	createTrackbar("highH", "adjust", &highH, 180);
	createTrackbar("lowS", "adjust", &lowS, 255);
	createTrackbar("highS", "adjust", &highS, 255);
	createTrackbar("lowV", "adjust", &lowV, 255);
	createTrackbar("highV", "adjust", &highV, 255);


	while (1)
	{
		cvtColor(src, dst, COLOR_BGR2HSV);//转成HSV
		
		inRange(dst, Scalar(lowH, lowS, lowV), Scalar(highH, highS, highV), threimage);//颜色筛选

		imshow("reslut",threimage);

		waitKey(1);
	}
	return 0;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

效果

可以看到通过调节阈值，可以轻松做到图像识别，或者是图像分割。