使用opencv识别图像红色区域,并输出红色区域中心-猿码集

使用OpenCV识别图像红色区域

如果你正在使用OpenCV进行图像分析和处理，有时候需要识别和分割图像中的某些特定颜色区域。在本文中，我们将探讨如何使用OpenCV在Python中识别图像中的红色区域，并输出红色区域的中心。我们将使用OpenCV中的HSV（色相饱和度）颜色空间来处理图像。

HSV颜色空间

HSV（色相饱和度）颜色空间将颜色表示为三个值：hue（色相），saturation（饱和度）和value（亮度）。HSV颜色空间比RGB颜色空间更加直观，因为在RGB空间中，颜色表示为三种红、绿、蓝（RGB）分量的混合，而在HSV空间中，则将颜色表示为人眼感知的颜色属性：色相、饱和度和亮度。

识别红色区域

红色的色相值的范围在HSV颜色空间中是从0-10和160-180。因此，我们可以使用这些值来识别图像中的红色区域。在本文中，我们将创建一个Python脚本，该脚本将读取一张图片并识别红色区域。接下来，我们将看一下如何处理图像。

首先，我们需要导入必要的库：

import numpy as np
import cv2

接下来，我们需要读取图像并将其转换为HSV颜色空间：

img = cv2.imread('image.jpg')
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

下一步是定义我们要在图像中寻找的红色范围。我们需要准备两个数组，一个数组是红色的下限值，另一个数组是红色的上限值。

low_red = np.array([0,50,50])
high_red = np.array([10,255,255])
low_red2 = np.array([160,50,50])
high_red2 = np.array([180,255,255])

接下来，我们需要通过使用cv2.inRange()函数将红色范围内的像素的值设置为1，其余值设置为0，生成一个二进制掩码。我们将调用cv2.bitwise_or()函数将两个二进制掩码中的像素运算，以便我们可以同时处理两个红色色相范围内的颜色。

mask_red = cv2.inRange(hsv_img, low_red, high_red)
mask_red2 = cv2.inRange(hsv_img, low_red2, high_red2)
mask_red = cv2.bitwise_or(mask_red, mask_red2)

使用cv2.bitwise_and()函数和生成的二进制掩码，我们可以将原始图像与掩码相乘，从而得到只包含提取区域的图像。

red_segment = cv2.bitwise_and(img, img, mask=mask_red)

查找红色区域的中心

为了找到红色区域的中心，我们需要找到红色区域的轮廓。使用cv2.threshold()函数将图像转换为二进制图像。

gray = cv2.cvtColor(red_segment, cv2.COLOR_BGR2GRAY)
_, threshold = cv2.threshold(gray, 10, 255, cv2.THRESH_BINARY)

然后，我们使用cv2.findContours()函数来计算图像的轮廓和层次结构。

contours, hierarchy = cv2.findContours(threshold, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

接下来，使用cv2.moments()函数来计算轮廓的矩。这将生成一个包含轮廓中心坐标的字典。

for c in contours:
    moment = cv2.moments(c)
    if moment["m00"] != 0:
        x = int(moment["m10"] / moment["m00"])
        y = int(moment["m01"] / moment["m00"])
        print("Red object found at [{},{}]".format(x, y))
        cv2.circle(img, (x, y), 10, (0, 0, 255), -1)

最后，我们将在原始图像中绘制红色区域的中心，并在终端输出它们的坐标。

cv2.imshow("Red Object Detection", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

方法的细节实现如下：

import numpy as np
import cv2
# Load the image
img = cv2.imread('image.jpg')
# Convert to HSV color space
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# Define the range of red color in HSV
low_red = np.array([0,50,50])
high_red = np.array([10,255,255])
low_red2 = np.array([160,50,50])
high_red2 = np.array([180,255,255])
# Threshold the HSV image to get only red colors
mask_red = cv2.inRange(hsv_img, low_red, high_red)
mask_red2 = cv2.inRange(hsv_img, low_red2, high_red2)
mask_red = cv2.bitwise_or(mask_red, mask_red2)
# Bitwise-AND mask and original image
red_segment = cv2.bitwise_and(img, img, mask=mask_red)
# Convert the red segment image to grayscale
gray = cv2.cvtColor(red_segment, cv2.COLOR_BGR2GRAY)
# Threshold the grayscale image to get a binary image
_, threshold = cv2.threshold(gray, 10, 255, cv2.THRESH_BINARY)
# Find the contours in the binary image
contours, hierarchy = cv2.findContours(threshold, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# Draw a circle at the center of each contour
for c in contours:
    moment = cv2.moments(c)
    if moment["m00"] != 0:
        x = int(moment["m10"] / moment["m00"])
        y = int(moment["m01"] / moment["m00"])
        print("Red object found at [{},{}]".format(x, y))
        cv2.circle(img, (x, y), 10, (0, 0, 255), -1)
# Display the original image with the red object center marked
cv2.imshow("Red Object Detection", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

总结

在本文中，我们介绍了如何使用OpenCV识别图像中的红色区域。我们使用了HSV颜色空间来处理图像，并通过二进制掩码提取红色区域。然后，我们找到了红色区域的中心，并在原始图像中绘制了红色区域的中心。此方法可以用于任何颜色，只需将颜色范围调整为所需范围即可。

使用opencv识别图像红色区域,并输出红色区域中心