Wie wählt man mit „cv::inRange' effektiv optimale HSV-Grenzen für die Farberkennung in OpenCV aus?

Auswahl optimaler HSV-Grenzen für die Farberkennung mit cv::inRange in OpenCV

Bei Bildverarbeitungsaufgaben ist es oft notwendig, Objekte basierend zu erkennen auf ihre Farbe. Zu diesem Zweck wird in OpenCV häufig die Funktion cv::inRange verwendet, um Pixel innerhalb eines angegebenen HSV-Farbbereichs zu identifizieren. Die Auswahl der geeigneten HSV-Grenzen kann jedoch eine Herausforderung sein, insbesondere wenn verschiedene Anwendungen unterschiedliche HSV-Skalen und Farbformate verwenden.

Problem:

Stellen Sie sich das Szenario der Erkennung der Orange vor Deckel einer Kaffeedose. Mit einem Gimp-Werkzeug wurde der HSV-Wert in der Mitte des Deckels zu (22, 59, 100) ermittelt. Die Anwendung des HSV-Bereichs (18, 40, 90) – (27, 255, 255) führte jedoch zu unbefriedigenden Erkennungsergebnissen.

Lösung 1: HSV-Skala anpassen

Um dieses Problem zu lösen, ist es wichtig zu wissen, dass verschiedene Anwendungen unterschiedliche HSV-Skalen verwenden. In diesem Fall verwendet Gimp die Skala H: 0-360, S: 0-100, V: 0-100, während OpenCV H: 0-179, S: 0-255, V: 0-255 verwendet. Für den aus Gimp erhaltenen Farbtonwert (22) muss die Hälfte davon (11) genommen und der Bereich entsprechend angepasst werden. Dies entspricht einem neuen HSV-Bereich von (5, 50, 50) – (15, 255, 255).

Lösung 2: Konvertieren in das BGR-Format

Zusätzlich , ist es wichtig zu berücksichtigen, dass OpenCV das BGR-Farbformat und nicht RGB verwendet. Daher sollte im Python-Code die cv::CV_RGB2HSV-Konvertierung durch cv::CV_BGR2HSV ersetzt werden.

Durch die Implementierung dieser Änderungen sollte der Erkennungsalgorithmus bessere Ergebnisse liefern. Obwohl es immer noch zu geringfügigen Fehlerkennungen kommen kann, sollte die größte Kontur dem Deckel entsprechen.

Verbesserter Python-Code mit OpenCV 2:

import cv2

in_image = 'kaffee.png'
out_image = 'kaffee_out.png'
out_image_thr = 'kaffee_thr.png'

ORANGE_MIN = np.array([5, 50, 50], np.uint8)
ORANGE_MAX = np.array([15, 255, 255], np.uint8)

def test1():
    frame = cv2.imread(in_image)
    frameHSV = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    frame_threshed = cv2.inRange(frameHSV, ORANGE_MIN, ORANGE_MAX)
    cv2.imwrite(out_image_thr, frame_threshed)

if __name__ == '__main__':
    test1()

Erweitertes Python Code mit OpenCV 4:

import cv2
import numpy as np

in_image = 'kaffee.png'
out_image = 'kaffee_out.png'
out_image_thr = 'kaffee_thr.png'

ORANGE_MIN = np.array([5, 50, 50], np.uint8)
ORANGE_MAX = np.array([15, 255, 255], np.uint8)

def test1():
    frame = cv2.imread(in_image)
    frameHSV = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    frame_threshed = cv2.inRange(frameHSV, ORANGE_MIN, ORANGE_MAX)
    cv2.imwrite(out_image_thr, frame_threshed)

if __name__ == '__main__':
    test1()

Mit diesen aktualisierten Codes ist es möglich, genau zu sein Erkennen Sie den orangefarbenen Deckel auf dem Bild der Kaffeedose.

Das obige ist der detaillierte Inhalt vonWie wählt man mit „cv::inRange' effektiv optimale HSV-Grenzen für die Farberkennung in OpenCV aus?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!