基于Python+kociemba+opencv的3阶魔方自动还原

使用kociemba模块可以快速地得到3阶魔方的还原步骤，例如：

U = '红绿黄白红白白蓝白'
R = '红蓝绿绿绿蓝黄红红'
F = '绿橙绿黄白红蓝橙红'
D = '橙黄绿红橙蓝橙黄黄'
L = '白橙橙绿蓝红白白黄'
B = '橙白蓝黄黄橙蓝绿蓝'cubdict = {U[4]: 'U', R[4]: 'R', F[4]: 'F', D[4]: 'D', L[4]: 'L', B[4]: 'B'}
UC = ''for s in [U, R, F, D, L, B]:for i in range(9):UC = UC + cubdict[s[i]]
print(UC)
print(kc.solve(UC))

指定面向自己的一面为Front（F），相对的一面即为Back（B），左边的一面为Left（L），右边的一面为Right（R），上面为Up（U），下面为Down（D），将魔方的6个面的颜色分别写到U R F D L B中，最后就会打印出还原魔方所有的步骤，按照步骤操作即可还原。

但是，每次都要自己输颜色会显得自己比较low，所以可以借用opencv的图像处理功能来进行魔方颜色的自动识别，例如：

import kociemba as kcimport os
import cv2
import numpy as np
from copy import deepcopy
import mathdef imgcheck(frame_raw):hsv_table = [[[0, 10], [43, 255], [46, 255], '红'],[[156, 180], [43, 255], [46, 255], '红'],[[11, 20], [43, 255], [46, 255], '橙'],[[20, 34], [43, 255], [46, 255], '黄'],[[35, 80], [43, 255], [46, 255], '绿'],[[80, 99], [43, 255], [46, 255], '青'],[[100, 124], [43, 255], [46, 255], '蓝'],[[125, 155], [43, 255], [46, 255], '紫'],[[0, 180], [0, 30], [166, 255], '白'],[[0, 180], [0, 43], [46, 166], '灰'],[[0, 180], [0, 255], [0, 46], '黑']]cube_list = []frame = frame_raw.copy()index = 0center = []candidates = []hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)for process_ind in range(2):hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)#cv2.imshow("image", hsv)#cv2.waitKey(0)gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (3, 3), 0)canny = cv2.Canny(blurred, 20, 40)#cv2.imshow("image", canny)#cv2.waitKey(0)if process_ind == 0:kernel = np.ones((3, 3), np.uint8)dilated = cv2.dilate(canny, kernel, iterations=12)else:kernel = np.ones((6, 6), np.uint8)dilated = cv2.dilate(canny, kernel, iterations=3)if process_ind == 1 or process_ind == 0:cv2.imshow("image", dilated)cv2.waitKey(0)(contours, hierarchy) = cv2.findContours(dilated.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)hierarchy = hierarchy[0]pre_cX = 0pre_cY = 0area_arr = []for component in zip(contours, hierarchy):contour = component[0]peri = cv2.arcLength(contour, True)approx = cv2.approxPolyDP(contour, 0.1 * peri, True)area = cv2.contourArea(contour)corners = len(approx)# compute the center of the contourM = cv2.moments(contour)if M["m00"]:cX = int(M["m10"] / M["m00"])cY = int(M["m01"] / M["m00"])else:cX = NonecY = Noneif cX is not None:if process_ind == 0:tmp = {'area': area, 'contour': contour}area_arr.append(tmp)elif 60000 > area > 1000:tmp = {'index': index, 'cx': cX, 'cy': cY, 'contour': contour}center.append(tmp)index += 1if process_ind == 0:area_arr.sort(key=lambda k: (k.get('area', 0)), reverse=True)mx,my,mw,mh = cv2.boundingRect(area_arr[0].get('contour'))cv2.rectangle(frame, (mx,my), (mx+mw, my+mh), (0, 255, 0), 2)#cv2.imshow("image", frame)#cv2.waitKey(0)frame = frame[my-5:my+mh+5, mx-5:mx+mw+5]#cv2.imshow("image", frame)#cv2.waitKey(0)frame = cv2.resize(frame, (320, 320))#if index < 9:#    returnprint(str(index))'''center.sort(key=lambda k: (k.get('cx', 0)))center.sort(key=lambda k: (k.get('cy', 0)))'''center.sort(key=lambda k: (k.get('cy', 0)))row1 = center[0:3]row1.sort(key=lambda k: (k.get('cx', 0)))row2 = center[3:6]row2.sort(key=lambda k: (k.get('cx', 0)))row3 = center[6:9]row3.sort(key=lambda k: (k.get('cx', 0)))center.clear()center = row1 + row2 + row3for component in center:candidates.append(component.get('contour'))x,y,w,h = cv2.boundingRect(component.get('contour'))if abs(w - h) < 10:cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)#cv2.imshow("image", frame)#cv2.waitKey(0)h_ = 0s_ = 0v_ = 0ss = w * hfor i in range(w):for j in range(h):h_ = h_ + hsv[y+j][x+i][0]s_ = s_ + hsv[y+j][x+i][1]v_ = v_ + hsv[y+j][x+i][2]h_ = h_ / sss_ = s_ / ssv_ = v_ / ssprint(str(h_) + ',' + str(s_) + ',' + str(v_))for k in hsv_table:if k[0][0] < h_ < k[0][1] and k[1][0] < s_ < k[1][1] and k[2][0] < v_ < k[2][1]:# print(k[3])cube_list.append(k[3])breakprint(str(len(cube_list)))#if len(cube_list) == 9:print(cube_list)#cv2.drawContours(frame, candidates, -1, (0, 0, 255), 3)cv2.imshow("image", frame)cv2.waitKey(0)if __name__ == "__main__":webcam = cv2.VideoCapture(0)if not webcam.isOpened():print("can't open the camera!!!")while True:ret, frame = webcam.read()rec_w = 200rec_h = 200rec_y = int((frame.shape[0] - rec_h)/2)rec_x = int((frame.shape[1] - rec_w) / 2)cv2.rectangle(frame, (rec_x, rec_y), (rec_x + rec_w, rec_y + rec_h), (0, 255, 0), 2)imgcheck(frame)cv2.imshow("video", frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakwebcam.release()cv2.destroyAllWindows()

hsv_table的各个颜色的范围可能需要根据实际情况进行调试。

基于Python+kociemba+opencv的3阶魔方自动还原相关推荐

ubuntu16.04安装python.h_ubuntu16.04 下基于 Python 的 OpenCV 的安装
ubuntu16.04 下基于 Python 的 OpenCV 的安装这几天一直在学习基于 Python 的 OpenCV , 开发环境是在 Ubuntu16.04 下, 学习的心得就是基于 Pyt ...
基于python和Opencv将多张图片结合为一张图片的办法
基于python和Opencv将多张图片结合为一张图片的办法需要用到的python包代码本体这两天写结课论文,需要做一个好看一点的图,要把多张图片结合为同一张图片,本来想用ps,但是懒,干脆用代 ...
基于Python的OpenCV+TensorFlow+Keras人脸识别实现
前言:本节要讲的人脸识别主要是借鉴了一位研究生前辈的文章我只是在他的基础上进行了改动,让代码能在现在的TensorFlow2.X 等的环境下运行先看一下效果图完整工程及源代码请点击链接下载:人 ...
基于Python通过OpenCV实现的口罩识别系统理论篇
基于Python通过OpenCV实现的口罩识别系统理论设计篇一.项目实现环境基于Python 3.8.1版本 opencv-python 4.2.0.34版本需要自己下载OpenCV的库文件,添 ...
基于Python与OpenCV的纸质票自动统计功能的实现（一）界面编程
基于Python与OpenCV的纸质票自动统计功能的实现(一)--界面编程作为一个资深的自动化工程师,界面编程对我来说太熟悉不过了,但是当时用的都是工业界面编程软件,比如WINCC.组态王等等,在这 ...
基于Python和OpenCV的面积计算
基于Python和OpenCV的面积计算 import cv2 import numpy as npimage1 = cv2.imread("F:\\Python\\Image\\1.png ...
cv2 python 获取斑马线_基于python的opencv图像处理实现对斑马线的检测示例
基本思路斑马线检测通过opencv图像处理来进行灰度值转换.高斯滤波去噪.阈值处理.腐蚀和膨胀后对图像进行轮廓检测,通过判断车辆和行人的位置,以及他们之间的距离信息,当车速到超过一定阈值时并且与行人 ...
三阶魔方自动还原 vc实现
魔方自动求解程序一般有两种方法,一种是按照人还原魔方的步骤,一步步来,另外一种是使用数学方法,魔方自有一套复杂的数学理论,其中较著名的是两阶段算法(压缩文件中的cube430.exe使用的就是数学方法 ...
魔方自动还原程序3D版本和2D 修正版
首先感谢大家的对上一个版本的鼓励. 这两天完成了魔方自动还原程序的OpenGL 3D版源码下载:https://github.com/zhijie/MagicCube3D 同时修正了之前的2D版 ...
基于python的opencv相机标定（采用黑白棋盘格标定板）
基于python的相机标定(采用黑白棋盘格图片) 系列文章目录 [第一章基于python的相机标定(采用黑白棋盘格图片)](https://blog.csdn.net/HWHXXX/article/ ...

基于Python+kociemba+opencv的3阶魔方自动还原

基于Python+kociemba+opencv的3阶魔方自动还原相关推荐

最新文章

热门文章