Opencv之识别图片颜色并绘制轮廓

一、实验原理

1、颜色空间转换：

Opencv识别图片颜色的逻辑

OpenCV 的默认颜色空间为 BGR（蓝、绿、红），但识别特定颜色更适合在 HSV（色调、饱和度、亮度）颜色空间中进行。

HSV 优势：能够更方便地描述颜色范围，用于筛选特定颜色区域。

2、颜色范围过滤：

不同颜色的HSV值

利用 cv2.inRange 函数，通过设定的颜色范围，将指定颜色区域提取为二值掩膜。

3、图像处理：

①滤波：

通过中值滤波去除噪点，平滑图像。滤波是应用卷积来实现的，卷积的关键就是卷积核，下图为卷积核滤波原理：

②形态学变换：

通过开运算（先腐蚀后膨胀）进一步消除小噪声和孤立点。

4、轮廓提取和绘制：

利用 cv2.findContours 提取二值图像的轮廓。

根据轮廓面积进行过滤，保留符合条件的目标区域。
使用 cv2.drawContours 在原图上绘制轮廓。

cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)

二、实验代码

python 复制代码

import cv2
import numpy as np

# 1. 输入图片并调整大小
img = cv2.imread("./color_1.png")
if img is None:
    print("无法加载图片，请检查路径！")
    exit()
img = cv2.resize(img, (0, 0), fx=0.7, fy=0.7)

# 2. 转换 HSV 颜色空间
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 3. 定义颜色范围并生成二值掩膜
yellow_min = np.array([26, 43, 46])  # 黄色下界
yellow_max = np.array([34, 255, 255])  # 黄色上界
img_mask = cv2.inRange(img_hsv, yellow_min, yellow_max)

# 4. 中值滤波去噪
img_blur = cv2.medianBlur(img_mask, 7)

# 5. 形态学变换 - 开运算
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
img_open = cv2.morphologyEx(img_blur, cv2.MORPH_OPEN, kernel)

# 6. 轮廓提取
contours, _ = cv2.findContours(img_open, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 7. 遍历轮廓并绘制
img_result = img.copy()
for contour in contours:
    area = cv2.contourArea(contour)
    if area < 200 or area > 200000:  # 根据面积过滤无效轮廓
        continue
    cv2.drawContours(img_result, [contour], -1, (0, 0, 255), 2)  # 绘制轮廓

# 8. 显示结果
cv2.imshow("Original Image", img)
cv2.imshow("Filtered Contours", img_result)

cv2.waitKey(0)
cv2.destroyAllWindows()

三、实验现象

1、原始图像：

显示未处理的原始图片，包含多个颜色区域。

2、颜色掩膜：

二值图像仅显示识别出的黄色区域，其余部分为黑色背景。

3、滤波和平滑：

滤波后噪点减少，目标区域更加连续。
开运算消除了孤立的噪声点，保留了主要的目标区域。

4、轮廓绘制：

符合面积条件的轮廓被成功绘制，轮廓线为红色。
无效的小轮廓被过滤，不影响结果的清晰度。