使用OpenCV确定图像中物体的颜色 |
您所在的位置：网站首页 › 怎样识别颜色区分图片和名称 › 使用OpenCV确定图像中物体的颜色 |
使用OpenCV确定图像中物体的颜色
|
1 前言
这是我们关于形状检测和分析的三部分系列的最后一篇文章。 以前，我们学习了如何： 计算轮廓的中心执行形状检测和识别今天，我们将对图像中的对象执行形状检测和颜色标记。 在这一点上，我们理解图像的区域可以通过颜色直方图和基本颜色通道统计信息（例如均值和标准差）来表征。 但是，尽管我们可以计算这些统计数据，但它们无法为我们提供实际的标签，例如将区域标记为包含特定颜色的“红色”，“绿色”，“蓝色”或“黑色”。 在此博客文章中，我将详细介绍如何利用L*a*b*颜色空间以及欧几里德距离来使用Python和OpenCV标记，标注和确定图像中对象的颜色。 2 使用OpenCV确定对象颜色在深入研究任何代码之前，让我们简要回顾一下我们的项目结构： |--- pyimagesearch | |--- __init__.py | |--- colorlabeler.py | |--- shapedetector.py |--- detect_color.py |--- example_shapes.png注意我们如何重用我们先前博客文章中的shapedetector.py和ShapeDetector类。我们还将创建一个新文件colorlabeler.py，该文件将使用颜色的文本标签标记图像区域。 最后，将使用detect_color.py驱动程序脚本将所有片段粘合在一起。 在继续阅读本文之前，请确保已在系统上安装了imutils Python软件包： $ pip install imutils在本课程的其余部分中，我们将在该库中使用各种功能。 2.1 标记图像中的颜色该项目的第一步是创建一个Python类，该类可用于用其关联的颜色标记图像中的形状。 为此，我们在colorlabeler.py文件中定义一个名为ColorLabeler的类： # import the necessary packages from scipy.spatial import distance as dist from collections import OrderedDict import numpy as np import cv2 class ColorLabeler: def __init__(self): # initialize the colors dictionary, containing the color # name as the key and the RGB tuple as the value colors = OrderedDict({ "red": (255, 0, 0), "green": (0, 255, 0), "blue": (0, 0, 255)}) # allocate memory for the L*a*b* image, then initialize # the color names list self.lab = np.zeros((len(colors), 1, 3), dtype="uint8") self.colorNames = [] # loop over the colors dictionary for (i, (name, rgb)) in enumerate(colors.items()): # update the L*a*b* array and the color names list self.lab[i] = rgb self.colorNames.append(name) # convert the L*a*b* array from the RGB color space # to L*a*b* self.lab = cv2.cvtColor(self.lab, cv2.COLOR_RGB2LAB)第2-5行导入我们所需的Python程序包，而第7行定义ColorLabeler类。 然后我们进入第8行的构造函数。首先，我们需要初始化一个colors字典（第11-14行），该字典指定颜色名称（字典的键）到RGB元组（字典的值）。 从那里，我们为NumPy数组分配内存以存储这些颜色，然后初始化颜色名称列表（第18和19行）。 下一步是遍历colors字典，然后分别更新NumPy数组和colorNames列表（第22-25行）。 最后，我们将NumPy“图像”从RGB颜色空间转换为L*a*b*颜色空间。 那么为什么我们使用L*a*b*颜色空间而不是RGB或HSV？ 好吧，为了实际地标记和标记图像的区域包含某种颜色，我们将计算已知colors的数据集（即lab数组）与特定图像区域的平均值之间的欧几里得距离。 使欧几里德距离最小的已知颜色将被选作颜色标识。 而且与HSV和RGB颜色空间不同，L*a*b*颜色之间的欧几里得距离具有实际的感知意义，因此在本文的其余部分中将使用它。 下一步是定义label方法： def label(self, image, c): # construct a mask for the contour, then compute the # average L*a*b* value for the masked region 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] # initialize the minimum distance found thus far minDist = (np.inf, None) # loop over the known L*a*b* color values for (i, row) in enumerate(self.lab): # compute the distance between the current L*a*b* # color value and the mean of the image d = dist.euclidean(row[0], mean) # if the distance is smaller than the current distance, # then update the bookkeeping variable if d |
【本文地址】
今日新闻 |
推荐新闻 |