利用opencv-python的hsv空间进行图像提取

共 2348字,需浏览 5分钟

 ·

2022-05-27 09:59

点击下方卡片,关注“新机器视觉”公众号

重磅干货,第一时间送达

 来源丨古月居

HSV颜色空间简介


HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。


这个模型中颜色的参数分别是:色调(H),饱和度(S),明度(V)。


色调可以表示颜色的种类,它是一个角度,范围是0-180°,0对应red,60对应green,120对应blue。


饱和度表示该颜色接近光谱色的程度,范围是0-255,当其为0时,只能显示黑色-白色。其逐渐增大时,颜色逐渐接近光谱色。


明度也可以理解为亮度,范围是0-255,当其为0时,为纯黑色。逐渐增大时,可逐渐显示出颜色。


(以上三个范围在不同的地方有不同的定义)


如下图可以形象的理解:


图像提取的例子


1.识别按钮的简单例子


设想有一工业机器人,现任务是将一墙壁上的某一按钮按下,我们现在将问题最简化然后解决。


假设墙壁为蓝色(Blue),有两个按钮分别为红色(Red),绿色(Green),现在的任务是识别出红色(Red)按钮。


解决过程:


第一步:导入所需库:


import cv2 as cvimport numpy as np


第二步:创建墙壁模型:


ground = np.ones((512,512,3),np.uint8)for i in range(512):    for j in range(512):        ground[i,j] = [255,0,0]cv.circle(ground,(200,200),50,(0,0,255),-1)cv.circle(ground,(400,400),50,(0,255,0),-1)cv.imshow('ground',ground)


墙壁图片如下:

第三步:将墙壁图片转化到HSV空间:


ground_hsv = cv.cvtColor(ground,cv.COLOR_BGR2HSV)


第四步:设置红色的取值范围并将红色取出:


lower = np.array([0,200,200])upper = np.array([20,255,255])
red_mask = cv.inRange(ground_hsv,lower,upper)


当待识别颜色不是标准三原色时,我们可以事先查询该颜色对应的HSV颜色,在例子2中会使用到。


第五步:对原图像进行处理:


red = cv.bitwise_and(ground,ground,mask=red_mask)
cv.imshow('red',red)


显示的结果为:

可见已将红色按钮区域识别出


2.水果分类


我们的目标是在如下一张含有四种水果的图中,找出梨的位置:

代码如下


import cv2 as cvimport numpy as np
fruit = cv.imread('D:/programming/Python learn/opencv_learn/fruit.jpg')pear = cv.imread('D:/programming/Python learn/opencv_learn/pear.jpg')
cv.imshow('fruit',fruit)
#找到梨的HSV参数范围的过程:pear_hsv = cv.cvtColor(pear,cv.COLOR_BGR2HSV)a = pear_hsv.shape[0]b = pear_hsv.shape[1]h = []s = []v = []for i in range(int(a/2)-10,int(a/2)+9):    for j in range(int(b/2)-10,int(b/2)+9):        h.append(pear_hsv[i,j][0])        s.append(pear_hsv[i,j][1])        v.append(pear_hsv[i,j][2])H = np.array(h)S = np.array(s)V = np.array(v)h_min = np.min(H)h_max = np.max(H)s_min = np.min(S)s_max = np.max(S)v_min = np.min(V)v_max = np.max(V)
fruit_hsv = cv.cvtColor(fruit,cv.COLOR_BGR2HSV)
lower = np.array([h_min,s_min-5,v_min-5])upper = np.array([h_max,s_max+5,v_max+5])
pear_mask = cv.inRange(fruit_hsv,lower,upper)
pear = cv.bitwise_and(fruit,fruit,mask=pear_mask)
cv.imshow('pear',pear)
if cv.waitKey(-1)==ord('a'):    cv.destroyAllWindows()


输出结果为:


可以看出虽然不完全,但可以成功将梨与其他三种水果区分开并识别出。


在本例子中,我们寻找范围的办法是:将梨的图片单独取出,查询中心区域(大小20*20)的像素组成,用这块区域的最小值与最大值适当扩张组成区分依据。在具体应用中,还需要加以改变,如香蕉的有效区域不在中心,苹果的亮度变化较大等等。


想要实现比较精准、更大难度的分类需要进一步学习,我们通过这两个例子了解HSV提取的基本思想即可。


本文仅做学术分享,如有侵权,请联系删文。

—THE END—
浏览 56
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报