Python+Opencv颜色和形状检测

た入场券 2021-12-02 00:14 507阅读 0赞

### 目录 ###

*   *  一、场景需求解读
     *  二、算法原理简介
     *  三、算法实现步骤
     *  四、算法代码实现
     *  五、算法效果展示与分析
     *  参考资料
     *  注意事项

## 一、场景需求解读 ##

现实场景中，我们有时需要自动的检测出图片中目标的颜色和其对应的形状，然后根据这些信息快速的找到我们需要的目标，这在真实场景中具有广泛的应用。下图展示了一张实例，我们需要知道图片中目标的颜色和形状信息。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center]

## 二、算法原理简介 ##

**为了检测不同物体的颜色**，本文的实现思路为：1）首先定义一个颜色标签类，该类中包含一个颜色字典，包含了需要的所有颜色；2）然后针对每一个轮廓（mask）,计算当前l*a*b\*颜色值与图像平均值之间的距离；3）最终选择最小距离所代表的颜色值。  
  **为了检测不同物体的形状**，本文的实现思路为：1）首先对输入图片执行预处理；2）然后对预处理之后的图片执行二值化；3)接着进行轮廓检测，并根据顶点的个数进行形状的判断。

## 三、算法实现步骤 ##

**步骤1**\-读取输入图片；  
**步骤2**\-对输入图片执行裁剪操作；  
**步骤3**\-执行高斯模糊操作，进行图像去噪；  
**步骤4**\-执行图像灰度化操作；  
**步骤5**\-执行颜色空间变换，将RGB空间转换为LAB空间；  
**步骤6**\-执行二值化操作；  
**步骤7**\-遍历每一个轮廓，进行颜色和形状检测；  
**步骤8**\-绘制并显示结果。

## 四、算法代码实现 ##

**1、创建一个颜色标签类**

# coding=utf-8
    # 导入一些python包
    from scipy.spatial import distance as dist
    from collections import OrderedDict
    import numpy as np
    import cv2
    
    # 创建一个颜色标签类
    class ColorLabeler:
    	def __init__(self):
    		# 初始化一个颜色词典
    		colors = OrderedDict({
    			"red": (255, 0, 0),
    			"green": (0, 255, 0),
    			"blue": (0, 0, 255)})
    
    		# 为LAB图像分配空间
    		self.lab = np.zeros((len(colors), 1, 3), dtype="uint8")
    		self.colorNames = []
    
    		# 循环 遍历颜色词典
    		for (i, (name, rgb)) in enumerate(colors.items()):
    			# 进行参数更新
    			self.lab[i] = rgb
    			self.colorNames.append(name)
    
    		# 进行颜色空间的变换
    		self.lab = cv2.cvtColor(self.lab, cv2.COLOR_RGB2LAB)
    
    	def label(self, image, c):
    		# 根据轮廓构造一个mask，然后计算mask区域的平均值 
    		mask = np.zeros(image.shape[:2], dtype="uint8")
    		cv2.drawContours(mask, [c], -1, 255, -1)
    		mask = cv2.erode(mask, None, iterations=2)
    		mean = cv2.mean(image, mask=mask)[:3]
    
    		# 初始化最小距离
    		minDist = (np.inf, None)
    
    		# 遍历已知的LAB颜色值
    		for (i, row) in enumerate(self.lab):
    			# 计算当前l*a*b*颜色值与图像平均值之间的距离
    			d = dist.euclidean(row[0], mean)
    
    			# 如果当前的距离小于最小的距离，则进行变量更新
    			if d < minDist[0]:
    				minDist = (d, i)
    
    		# 返回最小距离对应的颜色值
    		return self.colorNames[minDist[1]]

**2、 创建一个形状检测类**

# coding=utf-8
    import cv2
    
    # 创建形状检测类
    class ShapeDetector:
    	def __init__(self):
    		pass
    
    	def detect(self, c):
    		# 初始化形状名和近似的轮廓
    		shape = "unidentified"
    		peri = cv2.arcLength(c, True)
    		approx = cv2.approxPolyDP(c, 0.04 * peri, True)
    
    		# 如果当前的轮廓含有3个顶点，则其为三角形
    		if len(approx) == 3:
    			shape = "triangle"
    
    		# 如果当前的轮廓含有4个顶点，则其可能是矩形或者正方形
    		elif len(approx) == 4:
    			# 获取轮廓的边界框并计算长和宽的比例
    			(x, y, w, h) = cv2.boundingRect(approx)
    			ar = w / float(h)
    
    			shape = "square" if ar >= 0.95 and ar <= 1.05 else "rectangle"
    
    		# 如果这个轮廓含有5个顶点，则它是一个多边形
    		elif len(approx) == 5:
    			shape = "pentagon"
    
    		# 否则的话，我们认为它是一个圆
    		else:
    			shape = "circle"
    
    		# 返回形状的名称
    		return shape

**3、主函数**

# coding=utf-8
    # python detect_color.py --image example_shapes.png
    
    # 导入一些python包
    from shapedetector import ShapeDetector
    from colorlabeler import ColorLabeler
    import argparse
    import imutils
    import cv2
    
    # 设置并解析参数
    ap = argparse.ArgumentParser()
    ap.add_argument("-i", "--image", required=True, help="path to the input image")
    args = vars(ap.parse_args())
    
    # 读取图片
    image = cv2.imread(args["image"])
    # 进行裁剪操作
    resized = imutils.resize(image, width=300)
    ratio = image.shape[0] / float(resized.shape[0])
    
    # 进行高斯模糊操作
    blurred = cv2.GaussianBlur(resized, (5, 5), 0)
    # 进行图片灰度化
    gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
    # 进行颜色空间的变换
    lab = cv2.cvtColor(blurred, cv2.COLOR_BGR2LAB)
    # 进行阈值分割
    thresh = cv2.threshold(gray, 60, 255, cv2.THRESH_BINARY)[1]
    cv2.imshow("Thresh", thresh)
    
    # 在二值图片中寻找轮廓
    cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    
    # 初始化形状检测器和颜色标签
    sd = ShapeDetector()
    cl = ColorLabeler()
    
    # 遍历每一个轮廓
    for c in cnts:
    	# 计算每一个轮廓的中心点
    	M = cv2.moments(c)
    	cX = int((M["m10"] / M["m00"]) * ratio)
    	cY = int((M["m01"] / M["m00"]) * ratio)
    
    	# 进行颜色检测和形状检测
    	shape = sd.detect(c)
    	color = cl.label(lab, c)
    
    	# 进行坐标变换
    	c = c.astype("float")
    	c *= ratio
    	c = c.astype("int")
    	text = "{} {}".format(color, shape)
    	# 绘制轮廓并显示结果
    	cv2.drawContours(image, [c], -1, (0, 255, 0), 2)
    	cv2.putText(image, text, (cX, cY), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
    
    	cv2.imshow("Image", image)
    	cv2.waitKey(0)

**运行方法：python detect\_color.py --image example\_shapes.png**

## 五、算法效果展示与分析 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 1]  
  上图展示了该算法的一些中间结果，第1行第1列表示的是裁剪之后的结果，与代码中的resized 对应；第1行第2列表示的是mask图像；第1行第3列表示的是二值化的结果，和代码中的thresh 对应。通过观察上图我们可以发现，该算法可以很好的对输入图片进行二值化，可以准确的检测到不同的轮廓。  
![在这里插入图片描述][20190721112304842.gif_pic_center]  
  上图展示了算法的输出结果，通过观察上图我们可以获得一些信息，即该算法可以很好的检测到不同的轮廓，并准确的输出不同轮廓的颜色和形状信息。

## 参考资料 ##

\[1\] [参考链接][Link 1]

## 注意事项 ##

\[1\] 该博客是本人原创博客，如果您对该博客感兴趣，想要转载该博客，请与我联系（qq邮箱：1575262785@qq.com）,我会在第一时间回复大家，谢谢大家的关注.  
\[2\] 由于个人能力有限，该博客可能存在很多的问题，希望大家能够提出改进意见。  
\[3\] 如果您在阅读本博客时遇到不理解的地方，希望您可以联系我，我会及时的回复您，和您交流想法和意见，谢谢。  
\[4\] 本文测试的图片可以通过该链接进行下载。[网盘链接][Link 2]\- 提取码：tiv9 。  
\[5\] **本人业余时间承接各种本科毕设设计和各种小项目，包括图像处理（数据挖掘、机器学习、深度学习等）、matlab仿真、python算法及仿真等，有需要的请加QQ：1575262785详聊，备注“项目”！！！**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center]: /images/20211201/ab4199e878714ac0818a875476be68cc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20211201/8bb735cea9964a2e930cf70f38c982c3.png
[20190721112304842.gif_pic_center]: /images/20211201/24da3694121549a98a63dfba1c415c62.png
[Link 1]: https://www.pyimagesearch.com/2016/02/15/determining-object-color-with-opencv/
[Link 2]: https://pan.baidu.com/s/1SdR06sPynoyJlddPVv1ZPg