4.3?顏色分離模塊

?4.3.1顏色空間

顏色空間又名彩色空間，在對物體進行顏色識別時，選擇合適的顏色空間很重要。常用的顏色空間模型有RGB、YUV、HSV、CMY和HSI等，其中最基本而且最常見的顏色空間為RGB顏色空間。該文主要使用RGB和HSV2個顏色空間模型來研究電線的顏色識別。

RGB分別代表光譜的三原色，即紅、綠、藍，RGB顏色空間不僅易于映入其他顏色空間中，而且可以與它們相互轉換，易受光線影響、不直觀性、且3個顏色分量相互關聯是RGB顏色空間的缺點所在。RGB顏色空間的三維模型如下圖

HSV(Hue, Saturation, Value)是根據顏色的直觀特性由A. R. Smith在1978年創建的一種顏色空間, 也稱六角錐體模型(Hexcone Model)。

這個模型中顏色的參數分別是：色調（H），飽和度（S），明度（V）。

色調H：用角度度量，取值范圍為0°～360°，從紅色開始按逆時針方向計算，紅色為0°，綠色為120°,藍色為240°。它們的補色是：黃色為60°，青色為180°,品紅為300°；

飽和度S：表示顏色接近光譜色的程度。一種顏色，可以看成是某種光譜色與白色混合的結果。其中光譜色所占的比例愈大，顏色接近光譜色的程度就愈高，顏色的飽和度也就愈高。飽和度高，顏色則深而艷。光譜色的白光成分為0，飽和度達到最高。通常取值范圍為0%～100%，值越大，顏色越飽和。

明度V：明度表示顏色明亮的程度，對于光源色，明度值與發光體的光亮度有關；對于物體色，此值和物體的透射比或反射比有關。通常取值范圍為0%（黑）到100%（白）。

RGB和CMY顏色模型都是面向硬件的，而HSV（Hue Saturation Value）顏色模型是面向用戶的。

HSV模型的三維表示從RGB立方體演化而來。設想從RGB沿立方體對角線的白色頂點向黑色頂點觀察，就可以看到立方體的六邊形外形。六邊形邊界表示色彩，水平軸表示純度，明度沿垂直軸測量。

且已有前人通過實驗計算出大致顏色的各分量范圍，便在此基礎上調試

4.3.2 RGB色彩空間轉HSV色彩空間

原理：

通過調用cv2庫中的cvtColor方法將RGB的原圖轉化成HSV圖

代碼段：

hsv_roi = cv.cvtColor(roi, cv.COLOR_BGR2HSV)

處理結果：

RGB下的ROI

?

HSV下的ROI

4.3.3 顏色分離

原理：

通過對HSV色彩空間的理解和HSV色彩表下，調試出四個顏色區間用于分離綠色、藍色、橙色、褐色

綠色：H分量：35-77 ???S分量：43-255 ??V分量：46-255

藍色：H分量：100-124 ?S分量：43-255?? V分量：46-255

橙色：H分量：11-25 ???S分量：100-255 ?V分量：150-255

褐色：H分量：0-10 ????S分量：43-255 ??V分量：46-255

處理結果：

RGB下的ROI 綠色區間下的ROI 藍色區間下的ROI 橙色區間下的ROI

?

棕色區間內下的ROI

4.3.4 顏色點統計

原理：

由于橙色和褐色在HSV色域中不能完全分離，且四條白線摻雜著其他四種顏色，不能完全分離出八條顏色，固采用對線條輪廓內的像素點符合相應顏色區間內像素點的個數，個數多的線的輪廓為純色，否則為相應的白線，并且先識別出橙色的兩條線之后，再識別褐色的兩條線，從而實現橙色和褐色的分離。最后將八條線的順序：白橙、橙、白綠、藍、白藍、綠、白褐、褐的結果顯示在原圖上如下圖所示

控制臺打印出的顏色點統計列表

首先識別綠色，得出兩個最大值的線的輪廓之后，數值最大的輪廓為純色，否則為相應的白色，如green列表中，最大值為148，此線條輪廓為綠色，次大值為71，此線條輪廓為白綠色，下次遍歷時便剔除這兩條線的輪廓，以此循環直至識別完八條線。

def calColPbl(self, roi, box, color):x,y,w,h = boxcount = 0if color == 'green':for i in range(w):for j in range(h):if (self.low_green[0] < roi[y+j,x+i,0] < self.high_green[0]) and \(self.low_green[1] < roi[y+j,x+i,1] < self.high_green[1]) and \(self.low_green[2] < roi[y+j,x+i,2] < self.high_green[2]):count = count + 1if color == 'blue':for i in range(w):for j in range(h):if (self.low_blue[0] < roi[y+j,x+i,0] < self.high_blue[0]) and \(self.low_blue[1] < roi[y+j,x+i,1] < self.high_blue[1]) and \(self.low_blue[2] < roi[y+j,x+i,2] < self.high_blue[2]):count = count + 1if color == 'orange':for i in range(w):for j in range(h):if (self.low_orange[0] < roi[y+j,x+i,0] < self.high_orange[0]) and \(self.low_orange[1] < roi[y+j,x+i,1] < self.high_orange[1]) and \(self.low_orange[2] < roi[y+j,x+i,2] < self.high_orange[2]):count = count + 1if color == 'brown':for i in range(w):for j in range(h):if (self.low_brown[0] < roi[y+j,x+i,0] < self.high_brown[0]) and \(self.low_brown[1] < roi[y+j,x+i,1] < self.high_brown[1]) and \(self.low_brown[2] < roi[y+j,x+i,2] < self.high_brown[2]):count = count + 1return count def colorDetection(self, raw_img, roi, boxes):if len(boxes) != 8:return Falsehsv_roi = cv.cvtColor(roi, cv.COLOR_BGR2HSV)# # hsv_roi = cv.GaussianBlur(hsv_roi, (5,5), 0)cv.imshow('hsv',hsv_roi)for color in self.color_detect:cal_result = []cal_result = [self.calColPbl(hsv_roi, box, color) for box in boxes]max_index = cal_result.index(max(cal_result))cal_result[max_index] = 0smax_index = cal_result.index(max(cal_result))if max_index == smax_index:return Falsemax_box = boxes[max_index]smax_box = boxes[smax_index]boxes.remove(max_box)boxes.remove(smax_box)max_str = eval('self.'+str(color))smax_str = eval('self.'+str(color)+'_w')image = cv.putText(raw_img, max_str, (182+max_box[0],155+max_box[1]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)image = cv.putText(raw_img, smax_str, (182+smax_box[0],155+smax_box[1]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)return True

處理結果：

最終識別結果

?

總結

以上是生活随笔為你收集整理的基于opencv python 的网线线序识别（三）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。