时间:2021-05-22
颜色目标检测就是根据物体的颜色快速进行目标定位。使用cv2.inRange函数设定合适的阈值,即可以选出合适的目标。
建立项目colordetect.py,代码如下:
#! /usr/bin/env python# -*- coding: utf-8 -*-import numpy as npimport cv2def colorDetect(): image = cv2.imread('./1.png') # 使用RGB颜色空间检测红 蓝 黄 灰,设置合适的阈值 boundaries = [ ([17, 15, 100], [50, 56, 200]), ([86, 31, 4], [220, 88, 50]), ([25, 146, 190], [62, 174, 250]), ([103, 86, 65], [145, 133, 128]) ] for lower, upper in boundaries: lower = np.array(lower, dtype='uint8') upper = np.array(upper, dtype='uint8') # 低于lower和高于upper的像素为黑色,lower-upper之间的像素为白色 mask = cv2.inRange(image, lower, upper) # 利用蒙版,进行图像的逻辑与运算 output = cv2.bitwise_and(image, image, mask=mask) cv2.imshow('image', np.hstack([image, output])) cv2.waitKey(0) cv2.destroyAllWindows()def main(): colorDetect()if __name__ == "__main__": main()定义RGB颜色列表:
boundaries = [ ([17, 15, 100], [50, 56, 200]), ([86, 31, 4], [220, 88, 50]), ([25, 146, 190], [62, 174, 250]), ([103, 86, 65], [145, 133, 128])]该部分([17, 15, 100], [50, 56, 200]),表示图像像素R>=100, B>=15, G>=15和R<=200, B<=56, G<=50的像素将视为红色。
执行代码,结果如下:
总结
要检测图像中颜色,第一件事要做的就是定义像素值的上限和下限。不同的颜色空间具有不同上下限值,定义了上限和下限后,就可以调用cv2.inRange方法返回一个mask,将该mask与图像进行逻辑与bitwise_and就可以得到该图像。
参考资料
https://
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
本文主要介绍了用OpenCV进行年龄和性别检测的实现示例,分享给大家,具体如下:在本文中,我将带您完成用Python进行机器学习的年龄和性别检测的任务。年龄和性
利用Opencv中的Houghline方法进行直线检测—python语言这是给Python部落翻译的文章,请在这里看原文。在图像处理中,霍夫变换用来检测任意能够
Python小猫检测,通过调用opencv自带的猫脸检测的分类器进行检测。分类器有两个:haarcascade_frontalcatface.xml和haarc
python+opencv车道线检测(简易实现),供大家参考,具体内容如下技术栈:python+opencv实现思路:1、canny边缘检测获取图中的边缘信息;
如下所示:运行环境:python3.6.4opencv3.4.0#-*-coding:utf-8-*-"""Note:使用Python和OpenCV检测图像中的