前言

同學(xué)要做擰魔方機(jī)器人，但是他對(duì)視覺(jué)識(shí)別方面的知識(shí)不太明白，于是我?guī)退瓿闪俗R(shí)別魔方色塊邊緣的功能，過(guò)程中學(xué)習(xí)了不少可以用于圖像處理的函數(shù)。下面我會(huì)先詳解每一個(gè)函數(shù)，然后再給出整合后的代碼。

環(huán)境配置：我是在anaconda上配置的python3.8的環(huán)境，用Jupyter Notebook來(lái)編寫(xiě)運(yùn)行代碼。

函數(shù)詳解

魔方圖片：

先對(duì)目標(biāo)圖像進(jìn)行預(yù)處理：

imgobj = cv2.imread('CV_img/test2.jpg') gray = cv2.cvtColor(imgobj, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (3, 3), 0)canny = cv2.Canny(blurred, 20, 40)kernel = np.ones((3,3), np.uint8) dilated = cv2.dilate(canny, kernel, iterations=2) #閉運(yùn)算，先膨脹再腐蝕，可以填充孔洞（√） dilated=morphology.dilation(dilated,morphology.square(8)) dilated=morphology.erosion(dilated,morphology.square(8))

cv2.imread先讀取測(cè)試圖片；

cv2.cvtColor(p1,p2) 是顏色空間轉(zhuǎn)換函數(shù)，p1是需要轉(zhuǎn)換的圖片，p2是轉(zhuǎn)換成何種格式。cv2.COLOR_BGR2GRAY 是將BGR格式轉(zhuǎn)換成灰度圖片；

cv2.GaussianBlur是高斯濾波，是平滑濾波的一種方法，而Canny算子是邊緣檢測(cè)的一種算法，通過(guò)這兩個(gè)函數(shù)對(duì)圖像進(jìn)行濾波運(yùn)算。

dilate()函數(shù)可以對(duì)輸入圖像用特定結(jié)構(gòu)元素進(jìn)行膨脹操作，該結(jié)構(gòu)元素確定膨脹操作過(guò)程中的鄰域的形狀。先創(chuàng)造一個(gè)3*3的數(shù)組（也就是kernel），用于膨脹操作的結(jié)構(gòu)元素，使得處理后的圖片看起來(lái)更契合魔方的特征。iterations是被遞歸的次數(shù)。

dilation為膨脹，erosion為腐蝕，先膨脹再腐蝕是閉運(yùn)算，可以填充孔洞，而先腐蝕再膨脹是開(kāi)運(yùn)算，可以消除小物體小斑塊，效果由參數(shù)morphology.square(p1)中的p1決定，數(shù)值越大效果越明顯。

然后是提取輪廓：

contours, hierarchy = cv2.findContours(dilated,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

findContours函數(shù)是本程序中最核心的函數(shù)，大家也可以自己去找其他的資料進(jìn)行更全面的了解。該函數(shù)的作用是檢測(cè)圖片中物體的輪廓。

先從findContours函數(shù)原型看起：

findContours( InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point());

各個(gè)參數(shù)解析：

image，目標(biāo)圖像，一般來(lái)說(shuō)灰度圖效果比較好。

contours是一個(gè)向量的集合，其中的每一個(gè)元素對(duì)應(yīng)著一條輪廓，每個(gè)元素保存了一組由連續(xù)的Point點(diǎn)構(gòu)成的點(diǎn)的集合，有多少輪廓，向量contours就有多少元素。你就把它當(dāng)做一個(gè)數(shù)組，數(shù)組中每一個(gè)元素就是一條輪廓，且這個(gè)元素包含了這條輪廓的所有信息。

hierarchy，也是一個(gè)向量，向量?jī)?nèi)每個(gè)元素保存了一個(gè)包含4個(gè)int整型的數(shù)組。向量hiararchy內(nèi)的元素和輪廓向量contours內(nèi)的元素是一一對(duì)應(yīng)的，向量的容量相同。hierarchy向量?jī)?nèi)每一個(gè)元素的4個(gè)int型變量——hierarchy[i][0] ~hierarchy[i][3]，分別表示第i個(gè)輪廓的后一個(gè)輪廓、前一個(gè)輪廓、父輪廓、內(nèi)嵌輪廓的索引編號(hào)。

int型的mode，定義輪廓的檢索模式：

取值一：cv2.RETR_EXTERNAL只檢測(cè)最外圍輪廓，包含在外圍輪廓內(nèi)的內(nèi)圍輪廓被忽略。

取值二：cv2.RETR_LIST 檢測(cè)所有的輪廓，包括內(nèi)圍、外圍輪廓，但是檢測(cè)到的輪廓不建立等級(jí)關(guān)系，彼此之間獨(dú)立，沒(méi)有等級(jí)關(guān)系，這就意味著這個(gè)檢索模式下不存在父輪廓或內(nèi)嵌輪廓， 所以hierarchy向量?jī)?nèi)所有元素的第3、第4個(gè)分量都會(huì)被置為-1.

取值三：cv2.RETR_CCOMP 檢測(cè)所有的輪廓，但所有輪廓只建立兩個(gè)等級(jí)關(guān)系，外圍為頂層，若外圍內(nèi)的內(nèi)圍輪廓還包含了其他的輪廓信息，則內(nèi)圍內(nèi)的所有輪廓均歸屬于頂層。

取值四：cv2.RETR_TREE， 檢測(cè)所有輪廓，所有輪廓建立一個(gè)等級(jí)樹(shù)結(jié)構(gòu)。外層輪廓包含內(nèi)層輪廓，內(nèi)層輪廓還可以繼續(xù)包含內(nèi)嵌輪廓。

int型的method，定義輪廓的近似方法：

取值一：cv2.CHAIN_APPROX_NONE 保存物體邊界上所有連續(xù)的輪廓點(diǎn)到contours向量?jī)?nèi)。

取值二：cv2.CHAIN_APPROX_SIMPLE 僅保存輪廓的拐點(diǎn)信息，把所有輪廓拐點(diǎn)處的點(diǎn)保存入contours向量?jī)?nèi)，拐點(diǎn)與拐點(diǎn)之間直線段上的信息點(diǎn)不予保留。

取值三和四：cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法。

Point偏移量，所有的輪廓信息相對(duì)于原始圖像對(duì)應(yīng)點(diǎn)的偏移量，相當(dāng)于在每一個(gè)檢測(cè)出的輪廓點(diǎn)上加上該偏移量。

我們這里mode取值cv2.RETR_TREE，method取值cv2.CHAIN_APPROX_SIMPLE.

然后處理contours中的數(shù)據(jù)以得到我們想要的結(jié)果。

candidates = [] for i in range(0,len(contours)):area = cv2.contourArea(contours[i])#計(jì)算面積if 40000<area<50000: #魔方色塊的面積candidates.append(contours[i]) cv2.drawContours(imgobj, candidates, -1, (0, 0, 255), 3)cv2.namedWindow("enhanced",0);cv2.resizeWindow("enhanced", 640, 640);cv2.imshow("enhanced",imgobj)cv2.waitKey(0)

我的方案是通過(guò)計(jì)算每條輪廓所圍圖形的面積來(lái)確定哪些輪廓是我們所需要的。
candidates用來(lái)存放符合條件的輪廓。
面積值，我是把所有的輪廓的面積都算出來(lái)了，然后找到了相近的九個(gè)面積值來(lái)確定的。只要保持拍攝魔方的時(shí)候攝像頭外設(shè)的鏡頭與魔方距離固定應(yīng)該就可行。
append函數(shù)用于在列表末尾添加新的對(duì)象。
最終效果圖：

只要得到這些輪廓下面就好辦了，可以用過(guò)函數(shù)cv2.moments來(lái)查找到每條輪廓的中心點(diǎn)，在通過(guò)中心點(diǎn)的HSV值來(lái)確定顏色，具體流程我這里就不贅述了，大家自己寫(xiě)一下。

完整代碼

我的代碼是使用攝像頭外設(shè)來(lái)實(shí)時(shí)實(shí)現(xiàn)識(shí)別魔方邊緣的。
注意改一個(gè)適當(dāng)?shù)拿娣e范圍。

import cv2 import numpy as np import matplotlib.pyplot as pltimport skimage from skimage import draw from skimage import morphology from skimage import datafrom copy import deepcopy from copy import deepcopy import mathdef video_demo():capture = cv2.VideoCapture(1)#0為電腦內(nèi)置攝像頭，1為攝像頭外設(shè)while(True):ret, frame = capture.read()#攝像頭讀取,ret為是否成功打開(kāi)攝像頭,true,false。 frame為視頻的每一幀圖像frame = cv2.flip(frame, 1)#攝像頭是和人對(duì)立的，將圖像左右調(diào)換回來(lái)正常顯示。imgobj = frame#圖像轉(zhuǎn)化為灰度圖并進(jìn)行濾波處理gray = cv2.cvtColor(imgobj, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (3, 3), 0)canny = cv2.Canny(blurred, 20, 40)kernel = np.ones((3,3), np.uint8)dilated = cv2.dilate(canny, kernel, iterations=2)#開(kāi)運(yùn)算，先腐蝕再膨脹，可以消除小物體小斑塊#閉運(yùn)算，先膨脹再腐蝕，可以填充孔洞（√）dilated=morphology.dilation(dilated,morphology.square(8))dilated=morphology.erosion(dilated,morphology.square(8))contours, hierarchy = cv2.findContours(dilated,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #獲取圖像邊緣信息"""candidates = [] #圖像邊緣濾波for i in range(0,len(contours)):area = cv2.contourArea(contours[i])#先算面積if 40000<area<50000: #在此處修改面積值candidates.append(contours[i])"""cv2.drawContours(imgobj, contours, -1, (0, 0, 255), 3)cv2.imshow("video", imgobj)c = cv2.waitKey(50)if c == 27:#按ESC退出breakvideo_demo() cv2.destroyAllWindows()

總結(jié)

以上是生活随笔為你收集整理的Python-Opencv实现魔方边缘识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。