文章目录

  • opencv色域转换
  • 色域转换的本质
  • 捕获指定区域（采用获取指定范围的掩码实现捕获）
  • cv.inRange()函数获取指定数据的范围——也就是掩饰掉我们需要的数据之外的数据
  • 图像与cv.bitwise_and()，实现掩码与原图像融合
  • 通过色域选定实现对象追踪
  • 实现思路
  • 代码实例（实现蓝色追踪）
  • 效果

opencv色域转换

将会使用cv.cvtColor()函数实现图像色域的转换，它的参数如下

  • 第一个参数为输入图像
  • 第二个参数为转换色域的选择——一般在色域追踪中，可能将opencv默认的BGR转换位HSV会查找更简单一些。（虽然opencv默认色域是RGB；但是，实质上它是采用的BGR存储的，所以我们在处理数据时，按照BGR来处理就好）
  • 第三个参数为色域通道数设置——默认为0，意味着原图形默认的通道数

至于输出图像，采用返回值的方式来实现就好。

img = cv.imread('1.png', 1)
hsv = cv.cvtColor(img , cv.COLOR_BGR2HSV)   # COLOR_BGR2HSV是指将图像色域转换为HSV

色域转换的本质

其本质我认为主要是对数据的等权重数据转换吧——就比如，我们常常举例说明一样，都是为了问题的简便。

捕获指定区域（采用获取指定范围的掩码实现捕获）

cv.inRange()函数获取指定数据的范围——也就是掩饰掉我们需要的数据之外的数据

主要参数：

  • 第一个参数：输入数组（需要提取指定范围的图像数组）
  • 第二个参数：查找满足条件的下限值
  • 第三个参数：查找满足条件的上限值——由二、三参数可以得到我们搜索的数据范围

至于输出掩码——我们采用就收返回值的方式获取。
对于色域判断，我们通常是把某个色域的上下限取出来，然后放入inRange中作为判断条件。然后得到的掩码——就是只包含这个区域的图像信息的数组。

lower_blue = np.array([110, 50, 50])
upper_blue = np.array([130, 255, 255])  # 设置色域范围
mask = cv.inRange(hsv, lower_blue, upper_blue)  # 返回一个满足指定色域外的其它区域值置0的掩码（图像）

官方函数功能的说明：（我就不多说了，就提两句）
该函数在一维时，就直接将在lowerb和upperb的数据保留，其它舍去——置零
——可类推多维度，见下面文档
补充： 如果是图像色域范围的筛选，那么满足为就为阈值（全1位），否则就为0

The function checks the range as follows:

For every element of a single-channel input array:   % 0 表示下标，对应维度
dst(I) = lowerb(I)0≤src(I)0≤upperb(I)0  

For two-channel arrays:
dst(I) = lowerb(I)0≤src(I)0≤upperb(I)0∧lowerb(I)1≤src(I)1≤upperb(I)1
and so forth.
That is, dst (I) is set to 255 (all 1 -bits) if src (I) is within the specified 1D, 2D, 3D, ... box and 0 otherwise.

通过以上步骤，已经可以操作色域的转换，实现问题的一些简化，又可以通过，对满足指定色域的图像范围的读取/获取。那么接着我们就应该让满足条件的图像区域呈现我们实际的图像了——这里就要用到图像的与，实现图像的混合了。

图像与cv.bitwise_and()，实现掩码与原图像融合

主要参数：

  • 第一参数：输入图像1（输入数组1/标量）
  • 第二参数：输入图像2（另一个数组/标量）
  • 第三参数：输出数组——通常按返回值获取输出数组
  • 第四参数：与操作的掩码输入——8位单通道数组，用于指定要更改的输出数组的元素[对应维度]。

实例：（简单理解可以是：输入图像1与输入图像2的按位与，而当mask不等于0时，就是将mask添加到图像混合中，作为与的元素）

res = cv.bitwise_and(frame, frame, mask=mask)  # 用图像与操作，实现掩码原图像混合

上面采用原图混合（本来是无任何变化的），由于掺入mask实现了指定位置/范围的与/即图像修改。
【除掩码外的另外两个传入参数是必须要有的，如果只是对掩码处理，不妨就传入一个相同的图像~】

通过色域选定实现对象追踪

实现思路

  1. 进行色域转换——直接处理BGR与处理HSV，我们选择后者——因为后者更容易表现颜色，换句话说更好被处理。
  2. 获取指定色域的范围——list类型——用numpy创建数组
  3. 使用inRange获取指定区域的掩码
  4. 把掩码掺入到实际的图像中——这里采用图像混合中常用的bitwise_and

代码实例（实现蓝色追踪）

import cv2 as cv
import numpy as np


if __name__ == "__main__":
    cap = cv.VideoCapture(0)  # 默认摄像设备

    while True:
        _, frame = cap.read()  # 读取设备帧图像——frame为图像

        hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)  # 转换色域——因为HSV更容易在图像中查找色彩区域
        # 也可通过cvtColor获取不同色域下的颜色值——比如，传入一个BGR（对应cv.COLOR_BGR2HSV）的色值，然后得到HSV下的该色色值
        lower_blue = np.array([110, 50, 50])
        upper_blue = np.array([130, 255, 255])  # 设置需要的色域范围

        mask = cv.inRange(hsv, lower_blue, upper_blue)  # 返回一个满足指定色域外的其它区域值置0的掩码
        res = cv.bitwise_and(frame, frame, mask=mask)  # 用图像与操作，实现掩码与原图像的混合

        cv.imshow('imag', frame)  # 显示原图像
        cv.imshow('mask', mask)  # 显示掩码图像
        cv.imshow('res', res)  # 显示混合图像——也就是追踪图像
        if cv.waitKey(5) & 0xFF == 27:
            break
    cv.destroyAllWindows()

效果

说明：图中噪点写成噪声了，很抱歉，请谅解。

opencv求图像rgb均值 opencv提取rgb_opencv求图像rgb均值


至于如何除噪声，我会在后边单独整理后发出，但是可以有很多滤波方式来消噪——消除噪点。