前言

最近工作又来新活了，船舶颜色检测。开始接到这个活还是有点懵，后面慢慢的感觉来了！！！

一、前期调查

因为本项目涉及到颜色判断与分类，笔者一开始就想到的就是每种颜色的范围划分是什么，刚开始想的是否能够依据RGB值来划分颜色，很遗憾没找到各类颜色的RGB分割阈值，后来找到了关于HSV颜色模型的颜色分量范围资料。
OpenCV中HSV颜色模型及颜色分量范围
这给项目的颜色划分提供了依据。

二、方案

思路：由于项目已训练好的模型可以对船头进行定位截图，本文就默认对所给图片进行颜色判断。
步骤：
1.设定颜色的HSV的上下界；
2. 找出图片中属于设定颜色的区域；
3. 计算各个颜色区域的量化面积；
4. 通过颜色最大面积来判别所属颜色；

三、代码实现

# -*- coding:utf-8 -*-
# @Time : 2021/2/4 17:54
# @Author : JulyLi
# @File : 颜色总面积判断颜色.py
# @Software: PyCharmimport numpy as np
import cv2
import osfont = cv2.FONT_HERSHEY_SIMPLEX
lower_red = np.array([156, 43, 46])  # 红色阈值下界
higher_red = np.array([180, 255, 255])  # 红色阈值上界
lower_green = np.array([31, 43, 46])  # 绿色阈值下界
higher_green = np.array([77, 255, 255])  # 绿色阈值上界
lower_yellow = np.array([11, 43, 46])  # 黄色阈值下界
higher_yellow = np.array([30, 255, 255])  # 黄色阈值上界
lower_blue = np.array([78, 43, 46])
higher_blue = np.array([124, 255, 255])  # 蓝色
lower_gray = np.array([0, 0, 46])
higher_gray = np.array([180, 43, 220])  # 灰色
lower_black = np.array([0, 0, 0])
higher_black = np.array([180, 255, 46])  # 黑色
lower_white = np.array([0, 0, 221])
higher_white = np.array([180, 30, 225])  # 白色
lower_purple = np.array([125, 43, 46])
higher_purple = np.array([155, 255, 225])  # 紫色# frame = cv2.imread("shiphead/3.jpg")def color_detection(img):red_temp = [0]green_temp = [0]yellow_temp = [0]blue_temp = [0]black_temp = [0]white_temp = [0]gray_temp = [0]purple_temp = [0]maxsize_temp = {}frame = cv2.imread(img)img_hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)mask_red = cv2.inRange(img_hsv, lower_red, higher_red)  # 可以认为是过滤出红色部分，获得红色的掩膜mask_red = cv2.medianBlur(mask_red, 7)  # 中值滤波mask_yellow = cv2.inRange(img_hsv, lower_yellow, higher_yellow)  # 获得黄色部分掩膜mask_yellow = cv2.medianBlur(mask_yellow, 7)  # 中值滤波mask_blue = cv2.inRange(img_hsv, lower_blue, higher_blue)  # 获得蓝色部分掩膜mask_blue = cv2.medianBlur(mask_blue, 7)  # 中值滤波mask_green = cv2.inRange(img_hsv, lower_green, higher_green)  # 获得蓝色部分掩膜mask_green = cv2.medianBlur(mask_green, 7)  # 中值滤波mask_black = cv2.inRange(img_hsv, lower_black, higher_black)  # 获得黑色部分掩膜mask_black = cv2.medianBlur(mask_black, 7)  # 中值滤波mask_while = cv2.inRange(img_hsv, lower_white, higher_white)  # 获得白色部分掩膜mask_while = cv2.medianBlur(mask_while, 7)  # 中值滤波mask_gray = cv2.inRange(img_hsv, lower_gray, higher_gray)  # 获得灰色部分掩膜mask_gray = cv2.medianBlur(mask_gray, 7)  # 中值滤波mask_purple = cv2.inRange(img_hsv, lower_purple, higher_purple)  # 获得灰色部分掩膜mask_purple = cv2.medianBlur(mask_purple, 7)  # 中值滤波# mask = cv2.bitwise_or(mask_green, mask_red)  # 三部分掩膜进行按位或运算# print(mask_red)cnts1, hierarchy1 = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)  # 轮廓检测 #红色cnts2, hierarchy2 = cv2.findContours(mask_blue, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)  # 轮廓检测 #蓝色cnts3, hierarchy3 = cv2.findContours(mask_yellow, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)cnts4, hierarchy4 = cv2.findContours(mask_black, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)cnts5, hierarchy5 = cv2.findContours(mask_while, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)cnts6, hierarchy6 = cv2.findContours(mask_gray, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)cnts7, hierarchy7 = cv2.findContours(mask_green, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)cnts8, hierarchy8 = cv2.findContours(mask_purple, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)for cnt in cnts1:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'red', (x, y - 5), font, 0.7, (0, 0, 255), 2)# cv2.drawContours(frame, cnt, -1, (0, 0, 255), -1)size = cv2.contourArea(cnt)red_temp.append(size)for cnt in cnts2:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 0), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'blue', (x, y - 5), font, 0.7, (255, 0, 0), 2)# cv2.drawContours(frame, cnt, -1, (255, 0, 0), -1)size = cv2.contourArea(cnt)blue_temp.append(size)for cnt in cnts3:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (50, 50, 50), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'yellow', (x, y - 5), font, 0.7, (50, 50, 50), 2)# cv2.drawContours(frame, cnt, -1, (50, 50, 50), -1)size = cv2.contourArea(cnt)yellow_temp.append(size)for cnt in cnts4:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (88, 87, 86), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'black', (x, y - 5), font, 0.7, (88, 87, 86), 2)# cv2.drawContours(frame, cnt, -1, (88, 87, 86), -1)size = cv2.contourArea(cnt)black_temp.append(size)for cnt in cnts5:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (88, 87, 86), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'white', (x, y - 5), font, 0.7, (88, 87, 86), 2)# cv2.drawContours(frame, cnt, -1, (88, 87, 86), -1)size = cv2.contourArea(cnt)white_temp.append(size)for cnt in cnts6:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (220, 183, 183), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'gray', (x, y - 5), font, 0.7, (220, 183, 183), 2)# cv2.drawContours(frame, cnt, -1, (220, 183, 183), -1)size = cv2.contourArea(cnt)gray_temp.append(size)for cnt in cnts7:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'green', (x, y - 5), font, 0.7, (0, 255, 0), 2)# cv2.drawContours(frame, cnt, -1, (0, 255, 0), -1)size = cv2.contourArea(cnt)green_temp.append(size)for cnt in cnts8:# (x, y, w, h) = cv2.boundingRect(cnt)  # 该函数返回矩阵四个点# cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 将检测到的颜色框起来# cv2.putText(frame, 'green', (x, y - 5), font, 0.7, (0, 255, 0), 2)# cv2.drawContours(frame, cnt, -1, (240, 32, 160), -1)size = cv2.contourArea(cnt)purple_temp.append(size)# print(max(red_temp))# print(max(gray_temp))# print(max(green_temp))# print(max(black_temp))# print(max(blue_temp))#黑色与灰色多为干扰颜色，故为其他颜色添加补偿系数maxsize_temp["red"] = sum(red_temp)*10maxsize_temp["blue"] = sum(blue_temp)*10maxsize_temp["green"] = sum(green_temp)*10maxsize_temp["yellow"] = sum(yellow_temp)*10maxsize_temp["black"] = max(black_temp)maxsize_temp["white"] = sum(white_temp)*10maxsize_temp["gray"] = max(gray_temp)maxsize_temp["purple"] = sum(purple_temp)*10# maxsize_temp["red"] = max(red_temp) * 10# maxsize_temp["blue"] = max(blue_temp) * 10# maxsize_temp["green"] = max(green_temp) * 10# maxsize_temp["yellow"] = max(yellow_temp) * 10# maxsize_temp["black"] = max(black_temp)# maxsize_temp["white"] = max(white_temp)*10# maxsize_temp["gray"] = max(gray_temp)# maxsize_temp["purple"] = max(purple_temp) * 10# print(maxsize_temp)d = list(zip(maxsize_temp.values(), maxsize_temp.keys()))d = sorted(d)# print(d)return d[-1][-1], frameif __name__ == '__main__':#单张测试# img = r"shiphead/1036.jpg"# color_final, img = color_detection(img)# print(color_final)# size = img.shape# w = size[1]  # 宽度# h = size[0]  # 高度# cv2.putText(img, color_final, (int(w/2), int(h/2)), font, 0.7, (0, 255, 0), 2)# cv2.imshow('frame', img)# # cv2.imwrite('res/res7.png', img)# cv2.waitKey(0)# cv2.destroyAllWindows()#批量测试img_dir = r'E:\opencv\colordetect\shiphead'  # 原始文件目录# img_dir = r'E:\opencv\colordetect\test'  # 原始文件目录save_dir = r'E:\opencv\colordetect\result3/'  # 保存目录if not os.path.exists(save_dir):os.makedirs(save_dir)names = os.listdir(img_dir)for name in names:img_path = os.path.join(img_dir, name)# image = cv2.imread(img_path)color_final, img = color_detection(img_path)# print(color_final)size = img.shapew = size[1]  # 宽度h = size[0]  # 高度cv2.putText(img, color_final, (int(w / 2), int(h / 2)), font, 0.7, (255, 255, 255), 2)cv2.imwrite(save_dir + name, img)print("finished")

效果展示

总结

本方法是一种比较简单且通用的颜色检测方法，能满足简单真实场景下的颜色检测要求。
本方法不足之处为：
①准确度依赖剪裁图像的质量；
②颜色上下界阈值设定不一定符合人眼感受。

如果阅读本文对你有用，欢迎点赞关注评论收藏呀！！！
2021年2月5日17:57:46

OpenCV物体颜色检测(Python)相关推荐

python颜色识别原理_python+opencv实现颜色检测、轮廓检测、颜色追踪
准备工作 python配置numpy和openCv库读取图像和视频图像cv2.imread(路径) cv2.imshow(窗口名称,输出对象) cv2.waitkey(等待时间)import cv2 ...
python颜色识别_颜色检测python
广告关闭腾讯云11.11云上盛惠 ,精选热门产品助力上云,云服务器首年88元起,买的越多返的越多,最高返5000元! 版权声明:本文为博主原创文章,未经博主允许不得转载. https:blog.cs ...
python人头识别_python+opencv实现人头检测
python+opencv实现人头检测 python+opencv实现人头检测前段时间琢磨了下人头检测这个功能,现在有了初步的认知和体会,下面开始讲下我在实现人头检测过程中遇到的坑和解决方法. 环境 ...
OpenCV乒乓球位置检测【python】【颜色追踪】【霍夫圆】
乒乓球位置检测 2021年3月14日参考资料: https://www.bilibili.com/video/BV16K411W7x9 https://blog.csdn.net/weixin_44 ...
python红色的颜色表达式_50行Python代码实现视频中物体颜色识别和跟踪（必须以红色为例）...
目前计算机视觉(CV)与自然语言处理(NLP)及语音识别并列为人工智能三大热点方向,而计算机视觉中的对象检测(objectdetection)应用非常广泛,比如自动驾驶.视频监控.工业质检.医疗诊断等 ...
基于物体颜色的目标检测与跟踪
目录一.项目内容二.项目分析三.主要使用模块四.选用HSV颜色空间五.代码实现与分析 1. 颜色选择器: 2. 实现检测并跟踪绘制移动轨迹: 六.测试结果一.项目内容 (1)利用摄像头,根 ...
《OpenCv视觉之眼》Python图像处理十六:Opencv图像处理实战一之图像中的硬币检测
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
《OpenCv视觉之眼》Python图像处理十九:Opencv图像处理实战四之通过OpenCV进行人脸口罩模型训练并进行口罩检测
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
python实现颜色检测、轮廓检测、颜色追踪
python-Opencv学习准备工作读取图像和视频基础功能裁剪图像绘制图形和文本视角转换图像拼接颜色检测轮廓检测颜色追踪准备工作 python配置numpy和openCv库读 ...
使用Python，OpenCV和Scikit-Image检测低对比度图像
使用Python,OpenCV和Scikit-Image检测低对比度图像 1. 效果图 2. 原理 3. 源码参考这篇博客将介绍如何使用Python,OpenCV和Scikit-Image检测低对 ...

OpenCV物体颜色检测(Python)

文章目录

前言

一、前期调查

二、方案

三、代码实现

效果展示

总结

OpenCV物体颜色检测(Python)相关推荐

最新文章

热门文章