目录
0、项目介绍
1、效果展示
2、项目搭建
3、项目代码展示与部分讲解
Color_trackbar.py
bgr_detector.py
test.py
4、项目资源
5、项目总结
0、项目介绍
本次项目要完成的是对物体颜色的识别并框选，有如下功能：
（1）准确对颜色进行较大范围框选，统一使用绿色边界框显示。
（2）识别物体内部的颜色边缘轮廓，以白色为边缘，对物体的框选更加细致。
（3）可以对自己感兴趣的颜色进行识别选择，不想要的颜色不会被识别。
（4）在窗口中的边框旁打印上颜色对应的英文字母。
（5）如果发现效果不是很好，请耐心调试Color_trackbar.py文件。
1、效果展示
2、项目搭建
——22 Color box identification
——bgr_detector.py
——Color_trackbar.py
——test.py
按照如上所示，新建文件即可。
3、项目代码展示与部分讲解
这里我来讲解一下，这三个文件该怎么用，我这里就少讲原理了。（写着有点累，我想大家应该有这个能力看懂这个代码）。
Color_trackbar.py
import cv2
import numpy as np
from bgr_detector import BGR,empty
path = 'test.png'
cv2.namedWindow("TrackBars")
cv2.resizeWindow("TrackBars",640,250)
cv2.createTrackbar("Hue Min","TrackBars",0,179,empty)
cv2.createTrackbar("Hue Max","TrackBars",19,179,empty)
cv2.createTrackbar("Sat Min","TrackBars",110,255,empty)
cv2.createTrackbar("Sat Max","TrackBars",240,255,empty)
cv2.createTrackbar("Val Min","TrackBars",153,255,empty)
cv2.createTrackbar("Val Max","TrackBars",255,255,empty)
while True:
img = cv2.imread(path)
bgr = BGR(img)
#图像转化为HSV格式，H:色调S:饱和度V:明度
imgHSV = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#获取轨迹栏位
h_min = cv2.getTrackbarPos("Hue Min","TrackBars")
h_max = cv2.getTrackbarPos("Hue Max", "TrackBars")
s_min = cv2.getTrackbarPos("Sat Min", "TrackBars")
s_max = cv2.getTrackbarPos("Sat Max", "TrackBars")
v_min = cv2.getTrackbarPos("Val Min", "TrackBars")
v_max = cv2.getTrackbarPos("Val Max", "TrackBars")
print(h_min,h_max,s_min,s_max,v_min,v_max)
#创建一个蒙版，提取需要的颜色为白色，不需要的颜色为白色
lower = np.array([h_min,s_min,v_min])
upper = np.array([h_max,s_max,v_max])
mask = cv2.inRange(imgHSV,lower,upper)
imgResult = cv2.bitwise_and(img,img,mask=mask)
imgStack = bgr.stackImages(0.5,([img,imgHSV],[mask,imgResult]))
#定义比例尺
cv2.imshow("Stacked Images", imgStack)
if cv2.waitKey(1) & 0xFF == 27:
break
运行此文件，test.png文件为你需要检测的物体照片，这里我用的是以前的一个素材，你自行替换掉你需要识别的物体照片即可。
它会弹出这样的界面，你只需要自己不断的去拖拽左边的轨迹栏，然后将你想要识别的颜色单独识别出来即可，在下方的控制面板中，将里面的内容复制一行，记住是你成功识别后的内容。
如果你调来调去，效果不是很好，请你耐心一点，当然根据我的检测，使用你想要识别物体的照片，对后面的识别效果越好。
bgr_detector.py
import cv2
import numpy as np
class BGR():
def __init__(self,img,scale=0.7):
self.img=img
self.scale=scale
self.imgResult=img.copy()
self.myColors = [[5, 107, 0, 19, 255, 255],
[57, 76, 0, 100, 255, 255],
[95, 78, 202, 128, 255, 255]]
self.myColorValues = [[51, 153, 255], ## BGR
[0, 255, 0], # https://www.rapidtables.org/zh-CN/web/color/RGB_Color.html
[255, 0, 0]]
self.objectColor=["Orange","Green","Blue"]
def stackImages(self,scale,imgArray):
rows = len(imgArray)
cols = len(imgArray[0])
rowsAvailable = isinstance(imgArray[0], list)
width = imgArray[0][0].shape[1]
height = imgArray[0][0].shape[0]
if rowsAvailable:
for x in range ( 0, rows):
for y in range(0, cols):
if imgArray[x][y].shape[:2] == imgArray[0][0].shape [:2]:
imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, self.scale, self.scale)
else:
imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]), None, self.scale, self.scale)
if len(imgArray[x][y].shape) == 2: imgArray[x][y]= cv2.cvtColor( imgArray[x][y], cv2.COLOR_GRAY2BGR)
imageBlank = np.zeros((height, width, 3), np.uint8)
hor = [imageBlank]*rows
hor_con = [imageBlank]*rows
for x in range(0, rows):
hor[x] = np.hstack(imgArray[x])
ver = np.vstack(hor)
else:
for x in range(0, rows):
if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
else:
imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None,scale, scale)
if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
hor= np.hstack(imgArray)
ver = hor
return ver
def getContours(self,img, minArea=500):
contours, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
x, y, w, h = 0, 0, 0, 0
for cnt in contours:
area = cv2.contourArea(cnt)
if area > minArea:
cv2.drawContours(self.imgResult, cnt, -1, (255, 255, 255), 3)
peri = cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, 0.02 * peri, True)
x, y, w, h = cv2.boundingRect(approx)
cv2.rectangle(self.imgResult, (x, y), (x + w, y + h), (0, 255, 0), 2)
return x + w // 2, y,w,h
def findColor(self,img):
imgHSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
count = 0
for color in self.myColors:
lower = np.array(color[0:3])
upper = np.array(color[3:6])
mask = cv2.inRange(imgHSV, lower, upper)
x,y,w,h=self.getContours(mask)
cv2.putText(self.imgResult, self.objectColor[count],
(x + (w // 2) - 10, y + (h // 2) - 10), cv2.FONT_HERSHEY_COMPLEX, 0.7,
(0, 0, 255), 2)
count += 1
return self.imgResult
def empty(ways):
pass
此文件无需运行，这是一个类文件，你需要修改的地方在初始化中，将之前你复制的内容粘贴到self.myColors的列表中，然后在self.myColorValues的旁边有一个注释，内容为一个RGB网址，点击进入。记住，在上面是你想要的颜色，下面的BGR就是什么颜色。
这里的值是RGB值，你需要自己改成BGR值。
为了有些同学还是不能理解我的意思，你可以看看这里我给的注释。
self.myColors=[[橙色的HSV值],
[紫色的HSV值],
[绿色的HSV值],
[蓝色的HSV值]]
self.myColorValues=[[橙色的BGR值],
[紫色的BGR值],
[绿色的BGR值],
[蓝色的BGR值]] #网址中获得的是RGB值，手动改为BGR.
self.objectColor=["Orange","Purple","Green","Blue"] #按顺序来.
以上就是你需要修改的地方，很详细了。
test.py
import cv2
import numpy as np
from bgr_detector import BGR
frameWidth = 640
frameHeight = 480
cap = cv2.VideoCapture(0)
cap.set(3, frameWidth)
cap.set(4, frameHeight)
cap.set(10,150)
myPoints = [] ## [x , y , colorId ]
while True:
success, img = cap.read()
bgr = BGR(img)
imgResult=bgr.findColor(img)
imgStack = bgr.stackImages(0.8, ([img, imgResult]))
cv2.imshow("Result", imgStack)
if cv2.waitKey(1) & 0xFF == 27:
break
这里就是你的测试文件，可以看到代码行数很少，这就是使用类文件的好处。
4、项目资源
GitHub:22 物体颜色识别并框选
5、项目总结
我觉得本次项目挺有意思的，说实话项目22本来不是颜色识别的，这个是我室友他的项目上需要完成这样一个功能，然后我就花了一下午帮他做了做，效果的实现非常不错，用在比较单一背景下的物体追踪识别什么的，挺有研究意义的。最开始我还参考过其他博主对于RGB颜色的识别和框选，效果什么的我感觉不是很好，而且他们使用的方法与我最初想的一种思路有很大的接近，即是对某一感兴趣的颜色，将其临近的RGB值考虑到，实际上不是很靠谱，因为我们不知道三个值（‘R’、‘G’、‘B’）的组合会出现什么颜色，细微的改变可能变化肉眼是看不出来的，红色还是红色，像之前考虑的临近值，颜色可能是粉色或紫色，而你还是识别的红色。当然在我这里，我用到的方法是用HSV值来进行颜色检测，采用轨迹栏作为调色板，进行颜色的提取，然后将其对应的BGR值打印出来，有选择性。
偷偷给你们说一句，不要用黑色，识别时将我的头发识别的框和文字到处都是，巨搞笑。
还有一点就是，我发现环境的亮度对于颜色的识别也是有一点点的影响的。
