Wykrywanie kolorów w Pythonie za pomocą OpenCV: 8 kroków

2025 Autor: John Day | [email protected]. Ostatnio zmodyfikowany: 2025-01-13 06:58

Cześć! Ta instrukcja służy do nauczenia, jak wyodrębnić określony kolor z obrazu w pythonie za pomocą biblioteki openCV. Jeśli jesteś nowy w tej technice, nie martw się, na końcu tego przewodnika będziesz mógł zaprogramować swój własny program do wykrywania kolorów.

Poniżej znajdują się funkcje lub możemy powiedzieć techniki, których będziesz się uczyć, 1. Jak czytać obraz?

2. Jak tworzyć Track Bary

3. Jak dostosować wartość odcienia, nasycenia i wartości obrazu za pomocą pasków śledzenia?

4. A potem będzie ostateczny wynik

Możesz obejrzeć wideo z wyjścia, które załączyłem poniżej.

Więc zacznijmy

Kieszonkowe dzieci

• Pyton 3
• biblioteka openCV
• pusta biblioteka

Krok 1: Importowanie bibliotek

Obraz przedstawia żółte ferrari, jak pokazano, i zaprogramujemy, aby wyodrębnić z tego obrazu tylko żółty kolor

Pierwszym krokiem będzie import naszych bibliotek

1. W tym biblioteka openCV. W Pythonie nazywa się cv2

2. W tym biblioteka numpy jako np. "as" pozwala nam na numpy jako np więc nie ma potrzeby pisać numpy raz za razem

Krok 2: Tworzenie Track Barów

Track Bars są tworzone w celu dostosowania wartości odcienia, nasycenia i wartości na obrazie.

cv2.namedWindow("TrackBars") Ta linia kodu służy do tworzenia nowego okna wyjściowego, a nazwa okna jest podana jako TrackBars (możesz nadać dowolną nazwę)

cv2.resizeWindow("TrackBars", 600, 250) Ta funkcja służy do zmiany rozmiaru okna. "TrackBars" to dla którego okna chcesz zmienić rozmiar, ponieważ chciałem zmienić rozmiar okna TrackBars. Napisałem tę nazwę. Po których następują dwie liczby całkowite. Te dwie liczby całkowite to szerokość i wysokość. Możesz bawić się tymi dwoma liczbami, aby zmienić rozmiar

Krok 3: Tworzenie trackbarów dla odcienia, nasycenia i wartości

Teraz będziemy tworzyć łącznie 6 TrackBars dla Barwy, Nasycenia i wartości. Każdy będzie miał dwa, tj. 1 na minimum i 1 na maksimum. Będziemy używać funkcji createTrackbar w openCV. Najpierw zobaczymy składnię tej funkcji.

cv2.createTrackbar("WINDOWNAME", "MAINWINDOWNAME", "RANGE"). Może to być mylące, ale nie martw się, przejdziemy przez każdy krok. Należy pamiętać, że w openCV wartości barwy to 179, nasycenie to 255, a wartość to 255

1. Tworzenie TrackBar dla hue min:

cv2.createTrackbar("Odcień min", "TrackBars", 0, 179, puste)

W tym Hue min to nazwa trackbara, TrackBars to główne okno, 0 to pozycja, na której będzie nasz suwak, a 179 to zakres oznaczający przesunięcie suwaka od 0-179

2. Tworzenie TrackBar dla hue max:

cv2.createTrackbar("Hue max", "TrackBars", 179, 179, puste)

W tym Hue max to nazwa trackbara, TrackBars to główne okno, 179 to pozycja, na której będzie nasz suwak, a 179 to maksymalny zasięg oznacza, że suwak przesunie się od 179-0

3. Podobnie powtórz kroki dla sat min, sat max, val min i val max, jak pokazano na obrazku

Obraz z białym tłem jest obrazem wyjściowym. Tak będą wyglądać Twoje paski śledzenia

Krok 4: Jak czytać i zmieniać rozmiar obrazu

cv2.imread() umożliwia odczytanie obrazu. Jedna ważna myśl, że musisz pamiętać, że lokalizacja twojego obrazu musi znajdować się w tym samym folderze, w którym zapisany jest program. Wstawimy pętlę while, ponieważ powinna działać do momentu, gdy odczyta obraz lub możemy powiedzieć, że warunek jest spełniony

img = cv2.imread("ferrari.jpg")

• W tym utworzyłem zmienną o nazwie „img”, w której przechowuję obraz
• Wewnątrz cv2.imread wpisz nazwę obrazu z jego rozszerzeniem wewnątrz podwójnego cudzysłowu

Aby zmienić rozmiar obrazu, użyjemy funkcji cv2.resize. Ta część jest opcjonalna, jeśli chcesz zmienić rozmiar, możesz użyć tej funkcji

Wewnątrz cv2.resize najpierw wpisz nazwę zmiennej, w której przechowywany jest obrazek, a następnie jego szerokość i wysokość

Krok 5: Odczytywanie wartości paska śledzenia w celu zastosowania go do obrazu

Ok, więc teraz odczytamy wartości paska trackbara, abyśmy mogli zastosować je do naszego obrazu. Wartości uzyskamy za pomocą funkcji cv2.getTrackbarPos().

Zacznijmy od tej części…

h_min = cv2.getTrackbarPos("Odcień min", "TrackBars")

W powyższym oświadczeniu tworzę zmienną o nazwie h_min, w której będę przechowywać wartość Hue min. Tak więc wewnątrz cv2.getTrackbarPos pierwszym argumentem będzie „Odcień min”, ponieważ chcę mieć wartości odcienia min (pisownia musi być dokładnie taka sama, jak w przypadku funkcji createTrackbar), a drugim argumentem byłaby nazwa okna paska, do którego należy.

• Powtórz ten sam proces dla h_max i pozostałych funkcji, jak pokazano na powyższym obrazku, a następnie wydrukuj wszystkie wartości za pomocą print()
• Dane wyjściowe są pokazane na drugim obrazie. Wypisuje wartości h_min, h_max, s_min, s_max, v_min, s_max

Krok 6: Wyświetlanie obrazu i ustawianie górnego i dolnego limitu

Teraz mamy minimalną i maksymalną wartość odcienia, nasycenia i wartości, której użyjemy do odfiltrowania obrazu, dzięki czemu możemy uzyskać konkretny kolor obrazu.

Stworzymy do tego maskę za pomocą funkcji cv2.inRange. A wcześniej ustalimy górną i dolną granicę barwy, nasycenia i wartości

Stwórz więc zmienną o nazwie „niższa” i używając funkcji tablicowej numpy ustaw zakres min dla wszystkich 3 w następujący sposób

niższy = np. tablica ([h_min, s_min, v_min])

Powtórz ten sam krok dla górnej

górna = np. tablica ([h_max, s_max, v_max])

Teraz utworzymy maskę w następujący sposób

mask = cv2.inRange(resize, lower, upper) Wewnątrz cv2.inRang pierwszym argumentem będzie zmienna, w której przechowywany jest mój ostateczny obraz, drugim argumentem będzie dolna granica, a trzecia górna granica.

Teraz wyświetlimy główny obraz i maskę. Do wyświetlenia użyjemy funkcji cv2.imshow()

cv2.imshow("img", resize) Służy do wyświetlania głównego obrazu. Pierwszy argument to nazwa okna, któremu możesz nadać dowolną nazwę, a drugi argument to zmienna, w której przechowywany jest mój główny obraz, który chcesz wyświetlić.

Podobnie powtórz kroki dla maski

cv2.imshow("Wyjście", maska)

Krok 7: Teraz ostatni krok

W tym ostatnim kroku wyodrębnimy kolor samochodu i wyświetlacza.

Utworzyłem wynik nazwy zmiennej. Znowu możesz nadać dowolne imię. Użyjemy więc funkcji cv2.bitwise_and(), w której dodamy razem obrazy i stworzymy nowy obraz. I gdziekolwiek piksele na obu obrazach są obecne, przyjmie to jako tak lub "1".

wynik = cv2.bitwise_and(zmień rozmiar, zmień rozmiar, maska=maska)

• W tym pierwszym argumentem będzie nasz wizerunek
• Drugim argumentem będzie również nasz oryginalny obraz, ale po nim zastosowana maska, którą stworzyliśmy wcześniej
• I na koniec po prostu wyświetl wynik za pomocą funkcji imshow

Po prostu skopiuj i wklej ten ostatni krok, to tylko opóźnienie i możesz wyjść z okna wyjściowego, naciskając " a " na klawiaturze

Krok 8: Wyniki końcowe