存储文件

插入sd卡，会将默认储存地址flash改为sd卡。

image.save("/example.jpg")

串口通信

传输面积最大的色块的坐标

# Blob Detection and uart transport
import sensor, image, time
from pyb import UART
import json
# For color tracking to work really well you should ideally be in a very, very,
# very, controlled enviroment where the lighting is constant...
yellow_threshold   = (65, 100, -10, 6, 24, 51)
# You may need to tweak the above settings for tracking green things...
# Select an area in the Framebuffer to copy the color settings.sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.RGB565) # use RGB565.
sensor.set_framesize(sensor.QQVGA) # use QQVGA for speed.
sensor.skip_frames(10) # Let new settings take affect.
sensor.set_auto_whitebal(False) # turn this off.
clock = time.clock() # Tracks FPS.uart = UART(3, 115200)
def find_max(blobs):max_size=0for blob in blobs:if blob.pixels() > max_size:max_blob=blobmax_size = blob.pixels()return max_blobwhile(True):img = sensor.snapshot() # Take a picture and return the image.blobs = img.find_blobs([yellow_threshold])if blobs:max_blob=find_max(blobs)print('sum :', len(blobs))img.draw_rectangle(max_blob.rect())img.draw_cross(max_blob.cx(), max_blob.cy())output_str="[%d,%d]" % (max_blob.cx(),max_blob.cy()) #方式1#output_str=json.dumps([max_blob.cx(),max_blob.cy()]) #方式2print('you send:',output_str)uart.write(output_str+'\r\n')else:print('not found!')

优化图像

直方图均衡化是通过拉伸像素强度分布范围来增强图像对比度的一种方法.说得更清楚一些, 以上面的直方图为例, 你可以看到像素主要集中在中间的一些强度值上. 直方图均衡化要做的就是拉伸这个范围. 见下面左图: 绿圈圈出了少有像素分布其上的强度值. 对其应用均衡化后, 得到了中间图所示的直方图. 均衡化的图像见下面右图.

# Blob Detection and uart transport
import sensor, image, time
from pyb import UART
import json
# For color tracking to work really well you should ideally be in a very, very,
# very, controlled enviroment where the lighting is constant...
yellow_threshold   = (65, 100, -10, 6, 24, 51)
# You may need to tweak the above settings for tracking green things...
# Select an area in the Framebuffer to copy the color settings.sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.RGB565) # use RGB565.
sensor.set_framesize(sensor.QQVGA) # use QQVGA for speed.
sensor.skip_frames(10) # Let new settings take affect.
sensor.set_auto_whitebal(False) # turn this off.
clock = time.clock() # Tracks FPS.uart = UART(3, 115200)
def find_max(blobs):max_size=0for blob in blobs:if blob.pixels() > max_size:max_blob=blobmax_size = blob.pixels()return max_blobwhile(True):img = sensor.snapshot() # Take a picture and return the image.blobs = img.find_blobs([yellow_threshold])if blobs:max_blob=find_max(blobs)print('sum :', len(blobs))img.draw_rectangle(max_blob.rect())img.draw_cross(max_blob.cx(), max_blob.cy())output_str="[%d,%d]" % (max_blob.cx(),max_blob.cy()) #方式1#output_str=json.dumps([max_blob.cx(),max_blob.cy()]) #方式2print('you send:',output_str)uart.write(output_str+'\r\n')else:print('not found!')

image.histeq([adaptive=False[, clip_limit=-1[, mask=None]]])
在图像上运行直方图均衡算法。直方图均衡化使图像中的对比度和亮度标准化。
如果 adaptive 传递为True，那么将在图像上运行自适应直方图均衡方法，这通常比非自适应直方图限定更好，但运行时间更长
clip_limit 提供了一种限制自适应直方图均衡的对比度的方法。使用较小的值(例如10)可以生成良好的直方图均衡对比度受限图像。
mask 是另一个用作绘图操作的像素级掩码的图像。掩码应该是一个只有黑色或白色像素的图像，并且应该与你正在绘制的 image 大小相同。仅掩码中设置的像素被修改。
返回图像对象，以便您可以使用 . 表示法调用另一个方法。
不支持压缩图像和bayer图像。

线性回归（循迹）

线性回归能找到视野中任何的线，但是处理速度就会很慢，为了能更快的寻到我们想要的轨迹，把颜色调为灰度，不去处理追踪颜色，图像大小设成QQVGA，缩小图像面积，来增加速度。通过二值化，能让我们想要的线条更加清晰，使用binary（）来获取图像信息,用mean（2）来消噪。
==image.erode(size[, threshold[, mask=None]])==从分割区域的边缘删除像素。
这一方法通过卷积图像上((size2)+1)x((size2)+1)像素的核来实现，如果相邻像素集的总和小于 threshold ，则对内核的中心像素进行归零。若 threshold 未设定，这个方法的功能如标准腐蚀方法一样。若threshold设定，您就可以指定腐蚀的特定像素，例如：设置低于2个的像素周围阈值为2。
mask 是另一个用作绘图操作的像素级掩码的图像。掩码应该是一个只有黑色或白色像素的图像，并且应该与你正在绘制的 image 大小相同。最后通过image.get_regression(阀值)来找线。
巡线代码如下

while(True):clock.tick()img = sensor.snapshot().binary([THRESHOLD]) if BINARY_VISIBLE else sensor.snapshot()# 返回类似于由find_lines（）和find_line_segments（）返回的线对象。# 你有x1（），y1（），x2（），y2（），length（），# theta（）（以度为单位的旋转），rho（）和magnitude（）。## magnitude() 表示线性回归的工作情况。这对于鲁棒的线性回归意味着不同# 的东西。一般来说，值越大越好...line = img.get_regression([(255,255) if BINARY_VISIBLE else THRESHOLD],roi = ROI,robust = True)img.mean(2)if (line):img.draw_line(line.line(), color = 255)#127#print(line.theta())th = line.theta()if th > 90:th = 180 - thif th > 7:print('L',th)else:if line.theta() > 7:print('R',line.theta())

OPENMV的学习（三）巡线相关推荐

根据星瞳科技openmv巡线小车所改进的巡线方案
首先看一下星瞳科技的巡线方案(附上其开源源码): THRESHOLD = (5, 70, -23, 15, -57, 0) # Grayscale threshold for dark things. ...
Arduino案例实操 -- 智能巡防小车（三）图形化巡线小车编程
巡防小车的巡线功能同时可以用图形化编程软件来实现.博主这里用的图形化编程软件是KRobot. 三.图形化巡线小车编程 3.1 编程环境配置 3.1.1 下载编程软件 3.1.2 安装编程软件 3.2 ...
Arduino案例实操 -- 智能巡防小车（三）Arduino IDE巡线小车编程
三.Arduino IDE巡线小车编程 3.1 Arduino开发环境下载免安装ZIP包下载IDE安装包 3.2 Arduino IDE 3.3 Blink项目实例打开内置案例进行程序上传 3 ...
视觉识别数字、十字路口和T字路口，巡线于一体的基于openmv的解决方案（2021年电赛f题）
普通二本生(大二)没获奖,因为驱动方面和视觉协同问题没有做好(驱动方面跑太快,速度降不下来)只跑了最初级的,这个文章就是去记录一下我的成长过程吧. 目录 1.使用神经网络来进行识别 2.使用模板匹配来 ...
机器人巡线学习报告-60分模板-Webots-
机器人导航答辩记录半成品-60分模板- 学习报告侧重学习流程. 比如当需要独立或合作完成一个项目的时候,首先需要清晰明确项目的基本需求和应用场景. 将项目进行分解,并对每个时间点需要完成的任务进行细化 ...
openmv 飞机巡线
2017.8.7.11.03 参考Open*V机器人巡线例程,find_line例程,进行了简单修改.做成了飞机巡线. 希望同各位大佬一起学习一起讨论
OpenMV 线性回归巡线之一：赛道提取
背景介绍: 通过 <图像处理基础>能知道视觉就是在图片上找目标.通过<OpenMV 图片对象(目标识别基础)>能知道怎么找目标. 本篇继续这个话题,说说找目标是为了做什么. 提 ...
2021电赛F题之openmv巡线(附代码)
效果展示: 出错解决方法 openmv数字识别源代码–gitee 通过使用不同阈值的方法可以得到当前区域中什么区域有红线,对于电控而言作用类似于红外对管,之后电控通过逻辑判断如何运动,这就是我们队伍目 ...
OpenMV：14巡线小车
文章目录追小球的小车巡线小车这个例子展示了在OpenMV Cam上使用get_regression()方法获得ROI的线性回归.使用这种方法,可以轻松让机器人跟踪所有指向相同大致方向的线. 本例 ...

OPENMV的学习（三）巡线

存储文件

串口通信

优化图像

线性回归（循迹）

OPENMV的学习（三）巡线相关推荐

最新文章

热门文章