树莓派4B_OpenCv学习笔记13：OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆

今日继续学习树莓派4B 4G：（Raspberry Pi，简称RPi或RasPi）

本人所用树莓派4B 装载的系统与版本如下:

版本可用命令 (lsb_release -a) 查询:

Opencv 版本是4.5.1：

OpenCv颜色追踪_程序手动调试HSV色彩空间_检测灰度图中的圆

今日学习的程序主要是为了能够手动微调整好更为适合多变环境的HSV色彩空间

文章提供测试代码讲解，整体代码贴出、测试效果图

目录

实验目的：

实验大致过程视频：

完整实例代码贴出:

代码小结:

代码实验操作与测试结果图:

应用HSV阈值函数 cv2.inRange()：

组合HSV阈值 cv2.bitwise_and():

形态学操作函数:(膨胀/腐蚀/开运算/闭运算):

高斯模糊cv2.GaussianBlur():

霍夫圆变换来检测圆形:

网上查阅资料贴出:

实验目的：

实时地从视频流中检测特定颜色范围内的圆形物体。

用户可以通过Trackbars调整HSV颜色阈值来指定要检测的HSV颜色范围。使得程序对特定颜色小球的检测更为准确

检测到的圆形物体将在原始帧上被绘制出来，并根据其大小以不同的颜色和线宽进行区分。此外，如果检测到的圆的半径超过某个阈值（在这里是35），则会设置一个标志（buzz）。

实验全部过程视频：

OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆

完整实例代码贴出:

实时地从视频流中检测特定颜色范围内的圆形物体。

可以通过Trackbars调整HSV颜色阈值来指定要检测圆的颜色范围。

# -*- coding: utf-8 -*-
import cv2
import numpy as np
import time  kernel = np.ones((5,5),np.uint8)
# 从网络摄像头获取输入
cap = cv2.VideoCapture(0)time.sleep(0.5)# 将视频尺寸减小到320x240，这样rpi处理速度就会更快
cap.set(3,320)
cap.set(4,240)#第一个空回调函数
def nothing(x):pass# 创建一个供以后使用的窗口
cv2.namedWindow('HueComp')
cv2.namedWindow('SatComp')
cv2.namedWindow('ValComp')
cv2.namedWindow('closing')
cv2.namedWindow('tracking')# 创建跟踪条的最小和最大的色调，饱和度和价值
# 允许用户实时调整参数值HSV
cv2.createTrackbar('hmin', 'HueComp',12,179,nothing)
cv2.createTrackbar('hmax', 'HueComp',37,179,nothing)cv2.createTrackbar('smin', 'SatComp',96,255,nothing)
cv2.createTrackbar('smax', 'SatComp',255,255,nothing)cv2.createTrackbar('vmin', 'ValComp',186,255,nothing)
cv2.createTrackbar('vmax', 'ValComp',255,255,nothing)while(1):buzz = 0#读取帧并转换到HSV空间_, frame = cap.read()hsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)hue,sat,val = cv2.split(hsv)#获取Trackbar的当前值hmn = cv2.getTrackbarPos('hmin','HueComp')hmx = cv2.getTrackbarPos('hmax','HueComp')smn = cv2.getTrackbarPos('smin','SatComp')smx = cv2.getTrackbarPos('smax','SatComp')vmn = cv2.getTrackbarPos('vmin','ValComp')vmx = cv2.getTrackbarPos('vmax','ValComp')#应用HSV阈值hthresh = cv2.inRange(np.array(hue),np.array(hmn),np.array(hmx))sthresh = cv2.inRange(np.array(sat),np.array(smn),np.array(smx))vthresh = cv2.inRange(np.array(val),np.array(vmn),np.array(vmx))# 组合HSV阈值 使用按位与操作来组合三个HSV分量的阈值结果，从而得到颜色范围内所有像素的掩码。tracking = cv2.bitwise_and(hthresh,cv2.bitwise_and(sthresh,vthresh))#形态学操作#对掩码进行膨胀、闭操作和高斯模糊，以减少噪声并增强圆形物体的检测。dilation = cv2.dilate(tracking,kernel,iterations = 1)closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)closing = cv2.GaussianBlur(closing,(5,5),0)#使用霍夫圆变换来检测圆形。circles = cv2.HoughCircles(closing,cv2.HOUGH_GRADIENT,2,120,param1=120,param2=50,minRadius=10,maxRadius=0)#绘制检测到的圆形#如果检测到圆形，就在原始帧上绘制它们。根据圆形的半径大小，使用不同的颜色和线宽进行绘制。if circles is not None:x, y, r = circles[0][0]x_p = int(round(x))print (x_p)for i in circles[0,:]:if int(round(i[2])) < 30:cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),int(round(i[2])),(0,255,0),5)cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),2,(0,255,0),10)elif int(round(i[2])) > 35:cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),int(round(i[2])),(0,0,255),5)cv2.circle(frame,(int(round(i[0])),int(round(i[1]))),2,(0,0,255),10)buzz = 1  cv2.imshow('HueComp',hthresh)cv2.imshow('SatComp',sthresh)cv2.imshow('ValComp',vthresh)cv2.imshow('closing',closing)cv2.imshow('tracking',frame)if cv2.waitKey(1) & 0xFF == ord('q'):cap.release()L_Motor.stop()R_Motor.stop()GPIO.cleanup()cv2.destroyAllWindows() breakcap.release()
cv2.destroyAllWindows()

代码小结:

1、创建Trackbar

2、始化循环，读取帧并转换到HSV空间

3、获取Trackbar的当前值

4、应用HSV阈值

5、组合HSV阈值

6、形态学操作

7、检测圆形

8、绘制检测到的圆形

9、输出和判断

代码实验操作与测试结果图:

1、使用树莓派的USB摄像头拍摄一张球形物体的图片用于取色获取大致BGR色域范围：

我的颜色范围是：138 67 17

拍摄程序在这篇文章有提到：树莓派4B_OpenCv学习笔记4:测试摄像头_imread加载显示图像_imwrite保存图片_树莓派摄像头怎么保存照片-CSDN博客

2、运行程序将BGR颜色空间转换为HSV：

BGR_HSV转换程序在这篇文章有提到：

树莓派4B_OpenCv学习笔记6:OpenCv识别已知颜色_运用掩膜_树莓派图像融合-CSDN博客

3、运行本次实验的程序，将TrackBar调整到差不多的HSV范围：

发现如果不进行调整直接运用第二步得到的颜色空间范围，那么将会检测到许多的“圆”：

然后根据HSV窗口展示轮廓，调整它们的最大值与最小值，使其掩膜中的目标圆球轮廓更清晰，而其余噪声点更小：

然后拿远点测试，以及将瓶盖侧放，看是否会误检测为圆：

应用HSV阈值函数 `cv2.inRange()`：

    #应用HSV阈值
    hthresh = cv2.inRange(np.array(hue),np.array(hmn),np.array(hmx))
    sthresh = cv2.inRange(np.array(sat),np.array(smn),np.array(smx))
    vthresh = cv2.inRange(np.array(val),np.array(vmn),np.array(vmx))

hthresh

np.array(hue): HSV图像中的色调通道（H）。
np.array(hmn): 色调通道的下限值。
np.array(hmx): 色调通道的上限值。
输出: 一个二值图像，其中在hmn和hmx之间的色调值被设置为白色，其他值被设置为黑色。

sthresh

np.array(sat): HSV图像中的饱和度通道（S）。
np.array(smn): 饱和度通道的下限值。
np.array(smx): 饱和度通道的上限值。
输出: 一个二值图像，其中在smn和smx之间的饱和度值被设置为白色，其他值被设置为黑色。

vthresh

np.array(val): HSV图像中的亮度通道（V或I，取决于你如何称呼它）。
np.array(vmn): 亮度通道的下限值。
np.array(vmx): 亮度通道的上限值。
输出: 一个二值图像，其中在vmn和vmx之间的亮度值被设置为白色，其他值被设置为黑色。

Tip：之前的颜色追踪实验也用到了掩膜，inRange(),只不过指定的通道为HSV全部：

树莓派4B_OpenCv学习笔记12：OpenCv颜色追踪_画出轨迹-CSDN博客

组合HSV阈值 `cv2.bitwise_and()`:

    # 组合HSV阈值使用按位与操作来组合三个HSV分量的阈值结果，

        从而得到颜色范围内所有像素的掩码。
    tracking = cv2.bitwise_and(hthresh,cv2.bitwise_and(sthresh,vthresh))

函数作用：

cv2.bitwise_and() 对两个数组进行按位与操作，通常用于组合或修改二值图像。

当想将多个二值图像（或掩码）组合在一起时，通常需要使用这个函数来确保只有在所有掩码中对应位置都为“真”（即白色或255）的像素才会在结果图像中保留为白色。

在给出的例子中，将三个HSV分量（色调、饱和度和亮度）的阈值结果组合成一个最终的掩码，以识别特定颜色范围内的所有像素。

在这个修正后的代码中：

hsv_thresh_hs 是 hthresh 和 sthresh 的按位与结果，它只包含同时在色调和饱和度范围内的像素。
tracking 是 hsv_thresh_hs 和 vthresh 的按位与结果，它只包含同时在色调、饱和度和亮度范围内的像素，即您想要跟踪的颜色范围内的所有像素。

形态学操作函数:(膨胀/腐蚀/开运算/闭运算):

closing = cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel)

cv2.morphologyEx() 是 OpenCV 中用于形态学变换的函数，它可以执行各种形态学操作，如腐蚀（erosion）、膨胀（dilation）、开运算（opening）和闭运算（closing）等。

在给出的例子中，cv2.morphologyEx(dilation, cv2.MORPH_CLOSE, kernel) 是执行闭运算（closing operation）的调用。

函数作用：闭运算首先执行膨胀操作，然后执行腐蚀操作。闭运算的主要目的是消除图像中的小孔（即黑色区域中的白色点），并连接相邻的对象。这在图像处理中用于平滑物体的轮廓，去除小的孔洞，以及连接断裂的轮廓。

传入参数：

src：

输入图像，通常是二值图像。在给出的例子中，是 dilation，即已经过膨胀操作的图像。

类型：可以是灰度图或二值图，其数据类型通常是 CV_8U, CV_16U, CV_16S, CV_32F, 或 CV_64F 之一。
描述：源图像，即要进行形态学操作的图像。

operation：

形态学操作的类型。在给出的例子中，是 cv2.MORPH_CLOSE，表示执行闭运算。

cv2.MORPH_ERODE：腐蚀操作
cv2.MORPH_DILATE：膨胀操作
cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）
cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）
cv2.MORPH_GRADIENT：形态学梯度
cv2.MORPH_TOPHAT：原图像减去膨胀的图像
cv2.MORPH_HITMISS：结构元素对应的点集比较
注意：其他可能还有如 cv2.MORPH_BLACKHAT 等操作，具体请参考 OpenCV 官方文档。
kernel：结构元素（structuring element）。
类型：数组，通常是 numpy 数组，形状如矩形、椭圆或交叉形等。
描述：定义了形态学操作的局部形状和大小。可以使用cv2.getStructuringElement() 函数来创建结构元素。

dst (输出图像, 可选):

类型：与 src 相同的数据类型
描述：输出图像，如果未指定，则函数会创建一个新的输出图像。

anchor (锚点位置, 可选):

类型：元组，指定了结构元素的锚点位置。
描述：默认为结构元素的中心。如果指定了锚点，则形态学操作将围绕该点进行。

iterations (迭代次数, 可选):

类型：整数
描述：腐蚀与膨胀被应用的次数。默认为1。

borderType (边界类型, 可选):

类型：整数
描述：像素边界扩展类型，具体类型请参考 OpenCV 官方文档中的 BorderTypes。

borderValue (边界值, 可选):

类型：与 src 相同的数据类型
描述：当 borderType 为 BORDER_CONSTANT 时，用于填充边界的常量值。

高斯模糊`cv2.GaussianBlur()`:

closing = cv2.GaussianBlur(closing,(5,5),0)

在 OpenCV 中用于对图像进行高斯模糊。高斯模糊是一种用于减少图像噪声和细节层次的图像滤波技术。它使用一个高斯函数来创建模糊滤波器，该滤波器在中心点的权重最高，然后随着距离的增加权重逐渐降低。

该函数对 closing 图像进行高斯模糊。这通常在图像处理流程中用于减少图像的细节和噪声，尤其是在特征检测或对象识别之前。

传入参数：

src (closing 在此例中)：输入图像，即要进行高斯模糊的图像。
ksize ((5,5) 在此例中)：高斯核的大小。它必须是正奇数，并且可以是元组 (width, height)，其中 width 和 height 必须是正整数且都是奇数。如果 ksize 是一个整数，那么它会被视为 (ksize, ksize) 的正方形核。在此例中，(5,5) 表示一个 5x5 的核。
sigmaX (0 在此例中)：X 方向的标准差；决定了模糊的程度。如果 sigmaX 是 0，那么它会根据核大小来计算。如果 sigmaY 也是 0，那么 sigmaY 会与 sigmaX 相等。在此例中，因为 sigmaX 是 0，所以会根据 5x5 的核大小来计算标准差。

输出：
输出是一个与输入图像 closing 大小和类型相同的新图像，其中包含了高斯模糊的结果。这个新的图像是原图像的模糊版本，细节层次被降低，噪声被减少。

霍夫圆变换来检测圆形:

#使用霍夫圆变换来检测圆形。
circles = cv2.HoughCircles(closing,cv2.HOUGH_GRADIENT,2,120,param1=120,param2=50,minRadius=10,maxRadius=0)

cv2.HoughCircles 函数用于在灰度图像中检测圆形。它使用霍夫变换的一个变种来检测图像中的圆形。

传入参数：

image：8位单通道灰度图像。
method：检测方法，如 cv2.HOUGH_GRADIENT 或 cv2.HOUGH_GRADIENT_ALT。
dp：检测器分辨率的倒数。如果设置为 1，则与图像分辨率相同。如果设置为 2，则分辨率是原始图像的一半。
minDist：检测到的圆心之间的最小距离。
param1：Canny 边缘检测中的高阈值。
param2：在检测阶段，检测到的圆心的累加器阈值。这个值越小，检测到的圆就越多。
minRadius：最小圆半径。
maxRadius：最大圆半径。如果设置为 0，则使用最大可能的半径。

输出：
返回一个 NumPy 数组，其中包含检测到的圆的 (x,y) 坐标和半径。数组的形状是 (num_circles, 3)，其中每一行包含三个值：(x, y, radius)。