前一阵在做机械臂下井字棋的综合设计，在网上直接购买了一套机械臂装置（包括机械臂，摄像头，树莓派，花费1600元），机械臂不是很高级、精度很低。源码里提供识别红绿蓝三种颜色方块的识别和抓取。

经过多次尝试，最终决定井字棋的棋子也采用3cm * 3cm * 3cm的颜色方块。今天就来写一些第一步，而第一步就是解决识别颜色方块的问题。

手移动方块，外轮廓始终贴合方块边缘。

使用笔记本自带摄像头捕获画面，并识别绿色方块。

1 读取图像 使用python读取摄像头图像可参考：【Python+OpenCV】捕捉笔记本和外接摄像头

2 颜色定义

如果只是想识别绿色，那这一段就显得多余了。但是如果你想识别红色或是蓝色，可以直接将ball_color = 'green'改成ball_color = 'red'或是ball_color = 'blue'。其中color_dist内包含的是颜色在HSV模式下的范围，稍后再讲解。

3 图像处理

第一步，高斯模糊 将原图像进行模糊处理，方便颜色的提取 gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)，其中 参数一：frame需要高斯模糊的图像 参数二：(5, 5)高斯矩阵的长与宽都是5 参数三：0标准差是0

未经处理的原图像如下（这个摄像头太辣鸡了，原图像看起来就很模糊）： 高斯模糊后的图像（仔细看一下，你会发现比上一张更模糊些） 第二步，BGR转换为HSV 刚刚高斯模糊后的图像的颜色模式从BGR转换为HSV（在OpenCV中不使用RGB模式，而是使用BGR模式）。为什么使用HSV模式呢？因为这种模式更加方便单一颜色的提取，具体原理我也不懂。 hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV) 参数一：gs_frame原图像 参数二：cv2.COLOR_BGR2HSV颜色转换方式，从BGR to HSV

HSV模式下的图像： 第三步，腐蚀 通俗来说，就是将图像变瘦，用于去除噪声点。 erode_hsv = cv2.erode(hsv, None, iterations=2) 参数一：hsv原图像 参数三：iterations=2腐蚀的宽度

可以看出少了很多干扰（紫色的点点少了很多）。 第四步，去除背景部分 将绿色以外的其他部分去除掉，并将图像转化为二值化图像 inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper']) 参数一：erode_hsv原图像 参数二：color_dist[ball_color]['Lower']颜色的下限 参数三：color_dist[ball_color]['Upper']颜色的上限

如图 4 绘制矩形边框

第一步，找出外边界 cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2] 使用该函数找出方框外边界，并存储在cnts中。 findContours 参考资料

第二步，找出矩形 在边界中找出面积最大的区域，选定该区域为方块所在区域，并绘制出该区域的最小外接矩形，并记录该矩形的位置坐标。 c = max(cnts, key=cv2.contourArea) 在边界中找出面积最大的区域 rect = cv2.minAreaRect(c) 绘制出该区域的最小外接矩形 box = cv2.boxPoints(rect) 记录该矩形四个点的位置坐标

第三步，绘制矩形 在原图像上将分析出的矩形边界绘制出来 cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2) 参数一：frame目标图像 参数二：[np.int0(box)]轮廓本身，在Python中是一个list 参数三：-1指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。 参数四：(0, 255, 255)轮廓颜色BGR 参数五：2廓线的宽度 最终结果如图

文章最开始的图像是笔记本内置摄像头拍摄的图像； 为了方便拍摄图像，代码分析过程中的图像是外接usb摄像头，像素太低。