基于opencv python 的网线线序识别（三）

4.3 颜色分离模块

4.3.1颜色空间

颜色空间又名彩色空间，在对物体进行颜色识别时，选择合适的颜色空间很重要。常用的颜色空间模型有RGB、YUV、HSV、CMY和HSI等，其中最基本而且最常见的颜色空间为RGB颜色空间。该文主要使用RGB和HSV2个颜色空间模型来研究电线的颜色识别。

RGB分别代表光谱的三原色，即红、绿、蓝，RGB颜色空间不仅易于映入其他颜色空间中，而且可以与它们相互转换，易受光线影响、不直观性、且3个颜色分量相互关联是RGB颜色空间的缺点所在。RGB颜色空间的三维模型如下图

HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。

这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。

色调H：用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；

饱和度S：表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

明度V：明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。

RGB和CMY颜色模型都是面向硬件的，而HSV（Hue Saturation Value）颜色模型是面向用户的。

HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。

且已有前人通过实验计算出大致颜色的各分量范围，便在此基础上调试

4.3.2 RGB色彩空间转HSV色彩空间

原理：

通过调用cv2库中的cvtColor方法将RGB的原图转化成HSV图

代码段：

hsv_roi = cv.cvtColor(roi, cv.COLOR_BGR2HSV)

处理结果：

4.3.3 颜色分离

原理：

通过对HSV色彩空间的理解和HSV色彩表下，调试出四个颜色区间用于分离绿色、蓝色、橙色、褐色

绿色：H分量：35-77 S分量：43-255 V分量：46-255

蓝色：H分量：100-124 S分量：43-255 V分量：46-255

橙色：H分量：11-25 S分量：100-255 V分量：150-255

褐色：H分量：0-10 S分量：43-255 V分量：46-255

处理结果：

4.3.4 颜色点统计

原理：

由于橙色和褐色在HSV色域中不能完全分离，且四条白线掺杂着其他四种颜色，不能完全分离出八条颜色，固采用对线条轮廓内的像素点符合相应颜色区间内像素点的个数，个数多的线的轮廓为纯色，否则为相应的白线，并且先识别出橙色的两条线之后，再识别褐色的两条线，从而实现橙色和褐色的分离。最后将八条线的顺序：白橙、橙、白绿、蓝、白蓝、绿、白褐、褐的结果显示在原图上如下图所示

首先识别绿色，得出两个最大值的线的轮廓之后，数值最大的轮廓为纯色，否则为相应的白色，如green列表中，最大值为148，此线条轮廓为绿色，次大值为71，此线条轮廓为白绿色，下次遍历时便剔除这两条线的轮廓，以此循环直至识别完八条线。

def calColPbl(self, roi, box, color):x,y,w,h = boxcount = 0if color == 'green':for i in range(w):for j in range(h):if (self.low_green[0] < roi[y+j,x+i,0] < self.high_green[0]) and \(self.low_green[1] < roi[y+j,x+i,1] < self.high_green[1]) and \(self.low_green[2] < roi[y+j,x+i,2] < self.high_green[2]):count = count + 1if color == 'blue':for i in range(w):for j in range(h):if (self.low_blue[0] < roi[y+j,x+i,0] < self.high_blue[0]) and \(self.low_blue[1] < roi[y+j,x+i,1] < self.high_blue[1]) and \(self.low_blue[2] < roi[y+j,x+i,2] < self.high_blue[2]):count = count + 1if color == 'orange':for i in range(w):for j in range(h):if (self.low_orange[0] < roi[y+j,x+i,0] < self.high_orange[0]) and \(self.low_orange[1] < roi[y+j,x+i,1] < self.high_orange[1]) and \(self.low_orange[2] < roi[y+j,x+i,2] < self.high_orange[2]):count = count + 1if color == 'brown':for i in range(w):for j in range(h):if (self.low_brown[0] < roi[y+j,x+i,0] < self.high_brown[0]) and \(self.low_brown[1] < roi[y+j,x+i,1] < self.high_brown[1]) and \(self.low_brown[2] < roi[y+j,x+i,2] < self.high_brown[2]):count = count + 1return count
def colorDetection(self, raw_img, roi, boxes):if len(boxes) != 8:return Falsehsv_roi = cv.cvtColor(roi, cv.COLOR_BGR2HSV)# # hsv_roi = cv.GaussianBlur(hsv_roi, (5,5), 0)cv.imshow('hsv',hsv_roi)for color in self.color_detect:cal_result = []cal_result = [self.calColPbl(hsv_roi, box, color) for box in boxes]max_index = cal_result.index(max(cal_result))cal_result[max_index] = 0smax_index = cal_result.index(max(cal_result))if max_index == smax_index:return Falsemax_box = boxes[max_index]smax_box = boxes[smax_index]boxes.remove(max_box)boxes.remove(smax_box)max_str = eval('self.'+str(color))smax_str = eval('self.'+str(color)+'_w')image = cv.putText(raw_img, max_str, (182+max_box[0],155+max_box[1]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)image = cv.putText(raw_img, smax_str, (182+smax_box[0],155+smax_box[1]), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)return True

处理结果：