- 导入必要的库：首先，需要导入 OpenCV 库和其他可能用到的库，如 NumPy。
- 加载图像：使用cv2.imread函数加载包含多种颜色的图像。
- 定义颜色范围：在 HSV 颜色空间中定义要识别的颜色范围。可以使用颜色选择器工具来确定所需颜色的 HSV 值范围。
- 颜色识别函数：创建一个颜色识别函数，用于在图像中识别指定颜色的区域。
- 图像处理：在颜色识别函数中，进行图像处理操作，如转换颜色空间、二值化、膨胀、检测轮廓等。
- 绘制轮廓和结果：根据识别到的颜色区域，绘制轮廓、框选目标，并显示结果。
以下是一个使用 OpenCV 进行颜色识别的示例代码
import cv2 import numpy as np def color_identify(image, color_range): # 转换为 HSV 颜色模型 hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 二值化处理，表示 HSV 中颜色的范围 mask = cv2.inRange(hsv, color_range[0], color_range[1]) # 膨胀操作 kernel = np.ones((5, 5), dtype=np.uint8) dilate = cv2.dilate(mask, kernel, iterations=1) # 检测图像中轮廓的函数 cnts, hierarchy = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 判断是否有轮廓 if len(cnts) == 0: # 没有即显示原图 cv2.imshow("color_identify", image) return # 返回最大面积的轮廓 max_cnt = max(cnts, key=cv2.contourArea) # 用于在图像中绘制轮廓 cv2.drawContours(image, max_cnt, -1, (0, 0, 255), 2) # 用于计算一个点集的最小边界矩形 (x, y, w, h) = cv2.boundingRect(max_cnt) # 将目标框起来 cv2.rectangle(image, (x, y), (x+w, y+h), (0, 0, 255), 3) # 在目标的中间画一个小圈 cv2.circle(image, (x + (w//2), y + (h//2)), 6, (0, 0, 255), 2) # 打印出目标中点的坐标 print("x + w:", x + (w//2), "y + h:", y + (h//2)) cv2.imshow("color_identify", image) if __name__ == "__main__": # 打开摄像头 cap = cv2.VideoCapture(0) # 设置摄像头参数 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 480) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) cap.set(cv2.CAP_PROP_FPS, 100) while True: # 循环读取每一帧 flag, frame = cap.read() # 将图像翻转过来 frame = cv2.flip(frame, 1) # 如果读取失败 if not flag: print("Camera error!") break # 调用颜色识别函数 color_identify(frame, [(0, 150, 150), (10, 255, 255)]) # 识别红色 # 等待用户按下‘q'键，如果按下则退出循环 sun = cv2.waitKey(1) if sun == ord('q'): break # 关闭摄像头，解除程序占用摄像头 cap.release() # cv2 把所有打开的窗口关闭掉 cv2.destroyAllWindows()
定义了一个color_identify函数，它接受图像和颜色范围作为参数。在函数内部，首先将图像转换为 HSV 颜色空间，然后使用cv2.inRange函数进行二值化处理，得到指定颜色范围内的像素。接下来，进行膨胀操作和轮廓检测，找到最大面积的轮廓，并绘制轮廓、框选目标和显示结果。
在if __name__ == "__main__":部分，打开摄像头并设置参数，然后在循环中读取每一帧图像，调用color_identify函数进行颜色识别。用户按下q键时，退出循环并关闭摄像头。
请注意，这只是一个简单的颜色识别示例代码，实际应用中可能需要根据具体情况进行更多的图像处理和优化。此外，颜色范围的选择可能需要根据实际图像进行调整。
