使用OpenCV进行目标提取详细教程（附python代码演练）

今天的文章将讨论并指导你识别图像中的对象，使用 OpenCV 对这些对象进行遮罩处理。让我们开始吧！

HSV 色标

请花一点时间观察下面的图片。每个图块似乎是不同的颜色，对吧？但是有一个有趣的地方：如果我们仔细思考，实际上可以将它们都归为绿色。然而，如果我们仔细观察，我们会注意到它们是不同的绿色调。这是怎么回事呢？

尽管这些瓷砖具有相同的总体颜色，但它们有不同的组成部分，构成了它们各自的特定绿色调。正如我们之前讨论的那样，这些组成部分被称为红色、绿色和蓝色（RGB）。因此，虽然它们都属于绿色类别，但它们的RGB组合是不同的，从而形成我们观察到的不同绿色调。

但是，请等一下，这背后是否还有更多的东西？这个有趣的现象背后是否还有其他原因？确实如此！

你以前一定在画图软件中见过这个选项卡。

你可以看到，除了 (R)ed、(G)reen、(B)lue 之外，还有 3 个参数，分别是 (H)ue、(S)at 和 (L)um（HSL 色调）。

由于 HSL 和 HSV，我们可以实现如此多种色调。HSV 代表色相、饱和度和值。让我们谈谈 HSV，这对我们在 OpenCV 中的工作很有用。

H = 色调：当我们谈论色调时，我们谈论的是最纯粹的颜色形式。想想你在彩虹中看到的颜色——红色、橙色、黄色、绿色、蓝色、靛蓝和紫色。每一种都是不同的色调，代表特定的光波长。

色调的范围是 0 到 360 度。

S = 饱和度：饱和度是指颜色的鲜艳程度和强度。高度饱和的颜色鲜艳而丰富，而不饱和的颜色则显得更加柔和或浅色。饱和度赋予颜色深度和影响力。

饱和度的范围为 0–1（或 0–255）。

V = 值：颜色值与颜色的亮度或暗度有关。它由物体反射或吸收的光量决定。高值的颜色是亮的，而低值的颜色是暗的。值在创造对比和增加视觉构图的深度方面起着至关重要的作用。

值的范围为 0–1（或 0–255）。

让我们了解为什么需要将 BGR 图像转换为 HSV 颜色。

改进的颜色处理
简化的基于颜色的分析
对光照变化的鲁棒性
与人类感知的兼容性

现在我们将了解如何在 Spyder OpenCV 中使用 HSV 图像。

对象遮罩

假设你有 3 张车牌照。

我们正在尝试提取这些车辆的车牌号。我们可以用 BGR 图像来实现吗？

我们当然不能。这背后的原因是，我们在这里看到的橙色/黄色是由 (R)ed、(G)reen、(B)lue 的不同成分组成的，并且它们不是恒定的。此外，图像之间的亮度、饱和度和曝光度也完全不同。

因此很明显，我们无法从 BGR 图像中提取某种颜色。我们需要将此 BGR 图像转换为 HSV 图像。让我们看看如何做到这一点。

#import necessary libraries
import cv2
import numpy as np
import matplotlib.pyplot as plt

#using opencv to read an image
#BGR Image
plate_image_1 = cv2.imread("C:/users/public/pictures/numberp_1.png")

让我们想象一下这个plate_image_1。

cv2.namedWindow("BGR Image", cv2.WINDOW_NORMAL);
cv2.imshow("BGR Image",plate_image_1);

cv2.waitKey(0) & 0xFF 
cv2.destroyAllWindows()

现在让我们将此plate_image_1 转换为HSV 格式。为此，我们使用cv2.cvtColor() 。我们可以使用此函数将 BGR/RGB 转换为 HSV、RGB 转换为 BGR、在 RGB/BGR 和灰度之间转换以及更多选项。

HSV_im_1 = cv2.cvtColor(plate_image_1,cv2.COLOR_BGR2HSV)

让我们想象一下这个 HSV 图像。

使用 OpenCV 将 BGR 图像转换为 HSV 色标

这对我们来说确实很奇怪，我们将看看如何从中提取橙色/黄色。

之前我们讨论过图像之间的亮度、饱和度和曝光完全不同。为了解决这个问题，我们为要提取的颜色定义了一个范围。准确地说，我们按照自己的意愿为某种颜色定义了上边界和下边界。

这是通过查看 HSV 色锥来完成的。

首先，我们确定色相的范围。色调范围从 0 到 360。每 30 度我们就会得到一种不同的颜色。让我们看看它的橙色。

通过粗略估计 15-20 度的下色相和 40-50 度的上色相，我们可以清楚地确定包含橙色每种色调的范围。

对于饱和度和明度，我们获得从 0 到 1 的整个范围，以适应图像中的全部亮度变化。这样可以准确表示色谱内较亮或较暗的色调。

让我们在 Spyder 中定义它。

Orange_UB = np.array([40,255,255])
Orange_LB = np.array([20,0,0])

现在我们定义一个遮罩来跟踪图像中的橙色。这是通过使用 cv2.inRange() 来完成的。我们介绍了上界和下界以及执行遮罩所需的图像。

mask = cv2.inRange(HSV_im_1,Orange_LB,Orange_UB)

让我们想象一下这个遮罩。

cv2.namedWindow("HSV Orange masked", cv2.WINDOW_NORMAL);
cv2.imshow("HSV Orange masked",mask);

cv2.waitKey(0) & 0xFF 
cv2.destroyAllWindows()

就快到了！！我们可以几乎清楚地看到车牌，但也有其他不必要的像素被掩盖。我们如何优化我们的遮罩？我们需要改变饱和度和值的范围，直到我们得到一个令人满意的遮罩。

差不多了！让我们对其进行更多微调。

看起来不错！！

这就是我们从图像中提取特定颜色（范围）的对象的方法。

完整代码

#import necessary libraries
import cv2
import numpy as np
import matplotlib.pyplot as plt

#using opencv to read an image #BGR Image
plate_image_1 = cv2.imread("C:/users/public/pictures/numberp_1.png")

#converting BGR to HSV
HSV_im_1 = cv2.cvtColor(plate_image_1,cv2.COLOR_BGR2HSV)

#defining HSV range
Orange_UB = np.array([40,255,245])
Orange_LB = np.array([20,55,180])

#masking
mask = cv2.inRange(HSV_im_1,Orange_LB,Orange_UB)

#visualizing
cv2.namedWindow("HSV Orange masked", cv2.WINDOW_NORMAL);
cv2.imshow("HSV Orange masked",mask);

cv2.waitKey(0) & 0xFF 
cv2.destroyAllWindows()