HSV颜色检测

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了HSV颜色检测相关的知识,希望对你有一定的参考价值。

参考技术A 如果要进行颜色检测,HSV颜色空间是当前最常用的。

HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是:色调(H),饱和度(S),亮度(V)。

RGB和CMY颜色模型都是面向硬件的,而HSV(Hue Saturation Value)颜色模型是面向用户的。
HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察,就可以看到立方体的六边形外形。六边形边界表示色彩,水平轴表示纯度,明度沿垂直轴测量。

OpenCV中HSV各个分量的取值范围
色调 H : 0 ~ 180
用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°, 蓝色为240°。它们的补色是:黄色为60°,青色为180°, 品红为300°;

饱和度 S :0 ~ 255
饱和度S表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和。

亮度 V : 0 ~ 255
亮度表示颜色明亮的程度,对于光源色,亮度值与发光体的光亮度有关;对于物体色,此值和物体的透射比或反射比有关。通常取值范围为0%(黑)到100%(白)。

若要识别某种颜色,HSV的3个分量的范围得自己调了,官方的颜色区域不是特别靠谱。
一点经验:亮度V 几乎对颜色的识别没有影响,亮度与颜色大概关系不大,只与环境中的光照有关,为了算法的适应性更强,可以把亮度V的范围调成0~255。
对颜色识别影响最大的是色调,这个得仔细调,当然,为了适应性强,范围最好调宽点。

转换成HSV颜色空间后,居然有种印象派画作的感觉了

以下的程序,能将一幅图像中的 红色、蓝色、黄色找出来:

OpenCV:为颜色过滤选择 HSV 阈值

【中文标题】OpenCV:为颜色过滤选择 HSV 阈值【英文标题】:OpenCV: Choosing HSV thresholds for color filtering 【发布时间】:2019-12-19 12:25:17 【问题描述】:

为了从图像中滤除颜色,有必要设置需要检测哪种颜色的边界。我有一种感觉,这主要是一个反复试验的过程。有什么方法可以快速找到特定颜色的正确阈值?在这种特定情况下,我试图检测下图中图形的灰色区域。这当然没有检测到虚线。对于这个例子,我需要非常具体的界限。问题是,我怎样才能轻松找到它们?

hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)

lower = np.array([0, 0, 0], np.uint8)
upper = np.array([180, 255, 200], np.uint8)

mask = cv2.inRange(hsv, lower, upper)

【问题讨论】:

您可以查看直方图。或获取独特颜色的列表。或者将颜色减少到一些较小的数量,然后在减少的彩色图像上使用这些颜色。然后根据您的限制将这些颜色转换为 HSV。 【参考方案1】:

您可以使用 HSV 颜色阈值脚本来隔离所需的颜色范围

import cv2
import sys
import numpy as np

def nothing(x):
    pass

# Create a window
cv2.namedWindow('image')

# create trackbars for color change
cv2.createTrackbar('HMin','image',0,179,nothing) # Hue is from 0-179 for Opencv
cv2.createTrackbar('SMin','image',0,255,nothing)
cv2.createTrackbar('VMin','image',0,255,nothing)
cv2.createTrackbar('HMax','image',0,179,nothing)
cv2.createTrackbar('SMax','image',0,255,nothing)
cv2.createTrackbar('VMax','image',0,255,nothing)

# Set default value for MAX HSV trackbars.
cv2.setTrackbarPos('HMax', 'image', 179)
cv2.setTrackbarPos('SMax', 'image', 255)
cv2.setTrackbarPos('VMax', 'image', 255)

# Initialize to check if HSV min/max value changes
hMin = sMin = vMin = hMax = sMax = vMax = 0
phMin = psMin = pvMin = phMax = psMax = pvMax = 0

img = cv2.imread('1.png')
output = img
waitTime = 33

while(1):

    # get current positions of all trackbars
    hMin = cv2.getTrackbarPos('HMin','image')
    sMin = cv2.getTrackbarPos('SMin','image')
    vMin = cv2.getTrackbarPos('VMin','image')

    hMax = cv2.getTrackbarPos('HMax','image')
    sMax = cv2.getTrackbarPos('SMax','image')
    vMax = cv2.getTrackbarPos('VMax','image')

    # Set minimum and max HSV values to display
    lower = np.array([hMin, sMin, vMin])
    upper = np.array([hMax, sMax, vMax])

    # Create HSV Image and threshold into a range.
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv, lower, upper)
    output = cv2.bitwise_and(img,img, mask= mask)

    # Print if there is a change in HSV value
    if( (phMin != hMin) | (psMin != sMin) | (pvMin != vMin) | (phMax != hMax) | (psMax != sMax) | (pvMax != vMax) ):
        print("(hMin = %d , sMin = %d, vMin = %d), (hMax = %d , sMax = %d, vMax = %d)" % (hMin , sMin , vMin, hMax, sMax , vMax))
        phMin = hMin
        psMin = sMin
        pvMin = vMin
        phMax = hMax
        psMax = sMax
        pvMax = vMax

    # Display output image
    cv2.imshow('image',output)

    # Wait longer to prevent freeze for videos.
    if cv2.waitKey(waitTime) & 0xFF == ord('q'):
        break

cv2.destroyAllWindows()

【讨论】:

这已经是一个非常有用的工具,谢谢!现在还有一种方法可以将灰色区域与图像分开,而无需检测虚线。我正在测试的门槛,似乎同时检测到两者...... imutils 包中提供了类似的脚本,你可以pip install imutils。名为range-detector,安装后添加到$PATH @DimaMironov 很有趣,但相比之下该工具似乎毫无用处。它只显示滑块而不是它使用的数值,因此您无法将它们复制到代码中,而且滑块的顺序完全混淆且不合逻辑。【参考方案2】:

另一种选择是使用online image color picker。您可以上传您的图片,并会在您的情况下获得一些值,例如 HSV: 97.5° 5.1% 61.57%。请注意,您需要将它们转换为 H、S 和 V 的 OpenCV 比例。

H,OpenCV 中的色调从 0 到 180 不等,但在外部世界中它通常以 0 到 360 度数来衡量,所以要获得你的颜色的 H h = 97.5° / 2 = 48.7

S和V是从0 ( = 0% in outer world)255 ( = 100% in outer world)测量的,所以

s = 255 * 5.1% = 13
v = 255 * 61.57% = 157

因此,目标 HSV 颜色是 (49, 13, 157)。我建议使用±10 作为范围。或者更加严格。我认为您的情况可能可以只选择中心图的像素,没有任何标签,然后在需要时应用形态学操作关闭。

【讨论】:

以上是关于HSV颜色检测的主要内容,如果未能解决你的问题,请参考以下文章

使用 Python / PIL 检测 HSV 颜色空间中的阈值(来自 RGB)

OpenCV:为颜色过滤选择 HSV 阈值

人脸检测与matlab实现matlab优化算法六

OpenCV——基于颜色的物体检测系统

在OpenCV中检测对象上的颜色 - Python

如何知道在opencv上是不是检测到颜色[重复]