简介
人脸识别和目标检测这样的术语听起来觉得很酷，但是当涉及到从头开始实现它们时，每个初学者都会觉得困难，这些技术实际上并没有那么难实现，一旦你掌握了其基本原理，那么实现它们就相当简单了。
图像处理有很多种应用，包括用于解析文档和生成相应文本的光学字符识别(OCR)、图像增强与重建、物体识别、人体运动识别、手势识别、人脸识别等。
在学习的过程中，你会遇到过奇形怪状的各种图像滤波器，那有没有去思考如何实现它吗，在本文中，我们将通过实现一个简单的滤波器来开始我们的图像处理之旅！
什么是OpenCV
OpenCV是一个开源库，包含了许多计算机视觉算法。它在计算机视觉和图像处理中起着重要作用，用于实时操作，其效率足以满足工业上的要求。OpenCV可以与其他库一起使用，比如Numpy，这使得Python能够处理OpenCV数组结构。
实现我们的第一个滤波器
检测逻辑
计算机不能像人类一样识别物体，为了能让计算机达到这个目的，我们可以使用各种技术来让计算机理解图像，我们会将颜色作为检测物体的主要依据。
我们使用HSV颜色空间作为检测特征。
什么是HSV
HSV是Hue, Saturation 和Value(色调、饱和度和值)。
色调：根据光谱，物体的颜色可分为红、蓝、绿、黄四种颜色。
饱和度：它定义了颜色的强度。
值：定义颜色的亮度。
OpenCV中有150多种颜色空间转换方法，其中一种是彩色图像到HSV图像的转换。
我们来看看代码
我们需要导入我们要使用的库-OpenCV(cv2)和Numpy。
-
import cv2
-
import numpy
as np
-
Numpy是一个python库，用于处理数组，它比传统的python列表快50倍，这对我们来说非常重要，因为我们要处理很多图像。Numpy给了我们在线性代数、傅立叶变换、矩阵等领域工作的函数。
-
import cv2
-
import numpy
as np
-
def nothing():
-
pass
-
cap=cv2.VideoCapture(
0)
-
while(
1):
-
_, img = cap.read()
-
k=cv2.waitkey(
1)&
0xFF
-
if k==
27:
-
break
-
cap.release()
-
cv2.destroyAllWindows()
-
我们创建了一个回调函数，它什么也不做，让我们看看为什么。
我们使用一个窗口来控制HSV，因为我们不知道要检测的对象的HSV，因此我们用它来调整HSV的上下限。
因为当我们使用创建trackbar的方法时，我们需要传递一个必要的回调函数，在我们的例子中，这个回调函数什么也不做(但是它的使用会根据父函数的需要而改变)；然后我们使用了一个方法cv2.videocapture(0)，它是一个内置函数，用来从默认摄像机捕捉视频(0表示选择默认摄像机)；最后，我们删除了所有的窗口，并在一个点击事件(这里我们设置为ESC键)后释放捕获。
我们可以用下面的函数命名一个窗口。
-
cv2.namedWindow(<window name>)
-
让我们继续敲代码…
-
import cv2
-
import numpy
as np
-
def nothing(x):
-
pass
-
-
cap=cv2.VideoCapture(
0)
-
cv2.namedWindow(
'tracking')
-
cv2.createTrackbar(
'LH',
'tracking',
0,
255,nothing)
-
cv2.createTrackbar(
'LS',
'tracking',
0,
255,nothing)
-
cv2.createTrackbar(
'LV',
'tracking',
0,
255,nothing)
-
cv2.createTrackbar(
'UH',
'tracking',
255,
255,nothing)
-
cv2.createTrackbar(
'US',
'tracking',
255,
255,nothing)
-
cv2.createTrackbar(
'UV',
'tracking',
255,
255,nothing)
-
因此，在设置检测条件后，我们需要将原始数据(即彩色图像)转换为HSV图像。为了将基本彩色图像转换为HSV图像，我们使用
-
<variableName> = cv2.cvtColor(<frameName>,cv2.COLOR_BGR2HSV)
-
然后利用Numpy数组方法设置trackbar中数据的上下界。
-
<variableName> = np.
array(<array_Of_Parameters>)
-
使用这个，我们会得到上面设置的所有轨迹条值。接下来我们主要做两件事：
1.创建掩码
掩码是一种二进制图像，它指示要在其中执行操作的像素。
2.我们将使用位和逻辑来屏蔽原始图像。我们使用名为“bitwise_and”的cv2方法，它执行逻辑与运算。
-
<maskName> = cv2.inRange(hav, l_b, u_b)
-
-
res = cv2.bitwise_and(<frameName>, <frameName>, mask = <maskName>)
-
-
import cv2
-
import numpy
as np
-
def nothing(x):
-
pass
-
cap=cv2.VideoCapture(
0)
-
-
cv2.namedWindow(
'tracking')
-
cv2.createTrackbar(
'LH',
'tracking',
0,
255,nothing)
-
cv2.createTrackbar(
'LS',
'tracking',
0,
255,nothing)
-
cv2.createTrackbar(
'LV',
'tracking',
0,
255,nothing)
-
cv2.createTrackbar(
'UH',
'tracking',
255,
255,nothing)
-
cv2.createTrackbar(
'US',
'tracking',
255,
255,nothing)
-
cv2.createTrackbar(
'UV',
'tracking',
255,
255,nothing)
-
-
while (
1):
-
_, img=cap.read()
-
hav=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
-
l_h=cv2.getTrackbarPos(
'LH',
'tracking')
-
l_s=cv2.getTrackbarPos(
'LS',
'tracking')
-
l_v=cv2.getTrackbarPos(
'LV',
'tracking')
-
u_h=cv2.getTrackbarPos(
'UH',
'tracking')
-
u_s=cv2.getTrackbarPos(
'US',
'tracking')
-
u_v=cv2.getTrackbarPos(
'UV',
'tracking')
-
l_b=np.
array([l_h,l_s,l_v])
-
u_b=np.
array([u_h,u_s,u_v])
-
mask=cv2.inRange(hav, l_b, u_b)
-
res = cv2.bitwise_and(img, img, mask=mask)
-
cv2.imshow(
'image', img)
-
cv2.imshow(
'mask', mask)
-
cv2.imshow(
'res', res)
-
k=cv2.waitKey(
1)&
0xFF
-
if k==
27:
-
break
-
cap.release()
-
cv2.destroyAllWindows()
-
这些帧使用名为“imshow”的方法显示。
-
cv2.imshow(<name_of_Window>, <windowVariable>)
-
结果
结果只检测到粉红色的物体，这是因为我们只想选择粉红色的物体！实际上，我们已经使用轨迹条为特定的粉红色设置了HSV值，这就是输出只有特定粉红色的原因。您可以选择要检测的任何特定颜色值。
结论
本文我们实现了一个滤波器，可以检测我们指定特定颜色的物体。我们所做的只是图像处理和目标检测的一个非常基本的介绍性任务。近年来，计算机视觉领域有了很大的发展，其中大部分都包含了机器学习和深度学习技术。在许多项目中，对象检测是首先执行的基本任务，因为它为我们提供了有关环境的信息，我们可以根据使用情况进行过滤。
参考引用
Implementing colour and shape-based object detection and tracking with OpenCV(https://hub.packtpub.com/implementing-color-and-shape-based-object-detection-and-tracking-with-opencv-and-cuda-tutorial/).
☆ END ☆
如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文。
↓扫描二维码添加小编↓
转载：https://blog.csdn.net/woshicver/article/details/111659404