opencv — 颜色和轮廓 的 提取&筛选

注：本文使用的编程语言是python。
如果读者使用的是C++，有些代码可能需要自行变更！

前言

  初学opencv的阶段，难免是从枯燥地啃文档和记函数开始。逐一而草率地“过”一遍函数用法，对于初学者而言，其实很难起到学习的进步。只有在具体的实例中，才能更好地理解函数用法和搭配 的 妙用。
  笔者在视觉库cvzone和halcon的启发下，总结了些opencv实现的颜色和轮廓的提取&筛选方法，能够方便地应用在不同的项目之上。
  如果读友是小白，在这里也推荐个B站上的油管搬运教程：opencv超实用实战项目，因为是手把手敲代码的，对初学者非常友好。还有，视频原作者是 巴基斯坦 的 CV工程师 Murtaza。这边附上他油管的主页 Murtaza’s Workshop，感兴趣的朋友可以看看。
  言归正传，我们开始吧！

Part1. 颜色提取&筛选

  颜色提取&筛选 是最直观的图像处理方式，简单粗暴但不失为有效。
  其主要步骤如下：

• 1.将原图像由 RGB模型转为 HSV模型
  （因为HSV模型有专门的 H色调 通道，更方便颜色的提取s）
• 2.确定 目标提取颜色 HSV范围 （可以不止一个）
  
• 3.使用inRange()函数，获取图像掩膜
  
• 4.使用图像位操作，将掩膜进行合并
  
• 5.用掩膜覆盖原图像，使其仅保留预期的部分
  

针对步骤2，这里给出常用的HSV范围：

  接下来，就是代码部分。为了使模块更通用，笔者是把功能写成python类进行封装。调用类实例化的对象，以实现颜色提取的功能。主要是在魔术方法__call__()内实现。

import cv2
import numpy as np

# 基本的导入模块

# 设置掩膜函数
def setMask(src: np.ndarray, mask: np.ndarray) -> np.ndarray:
    channels = cv2.split(src)
	# 通道分离
    result = []
    for i in range(len(channels)):
        result.append(cv2.bitwise_and(channels[i], mask))
		# 各通道于掩膜进行图像和操作
    dest = cv2.merge(result)
	# 通道合并
    return dest

class ColorFilter(object):
    def __init__(self):
        self.colorRange = []
		# 这里是颜色筛选的范围 
		# 存储格式为 [ ((H起始，S起始，V起始),(H结束，S结束，V结束)), ... ]

    def __call__(self, src: np.ndarray) -> np.ndarray:
		# 必要的函数注释
        finalMask = np.zeros_like(src)[:, :, 0]
		# finalMask指的是 最终合成的掩膜
        hsv = cv2.cvtColor(src, cv2.COLOR_BGR2HSV)
		# 将图像转为HSV通道
        for each in self.colorRange:
			# 逐一获取HSV范围
	        lower, upper = each
			# HSV范围解构为 起始 和 结束
            mask = cv2.inRange(hsv, lower, upper)
			# 制作该HSV范围的掩膜
            finalMask = cv2.bitwise_or(finalMask, mask)
			# 掩膜合并 目标颜色 = 颜色1 + 颜色2 + ... + 颜色n
			# 注：inRange()不在HSV范围内的部分 数值为 0
			
        dest = setMask(src, finalMask)
		# 设置掩膜
        return dest
	
# 调用测试
if __name__ == '__main__':
	src = cv2.imread(r'xxx.png')	# 图片路径
	
	colorFilter = ColorFilter()		# 初始化ColorFilter()对象
	colorFilter.colorRange = [
		((xxx,xxx,xxx),(xxx,xxx,xxx)),	# Color A
		((xxx,xxx,xxx),(xxx,xxx,xxx))	# Color B
	]
	dest = colorFilter(src)
	cv2.imshow('dest', dest)
	cv2.waitKey(0)

  笔者在这里以opencv的logo为例，对红、蓝色的区域进行提取。如下是效果图：

  对于其他复杂的情形，可以修改上述代码中，对掩膜的图像位操作，以实现复杂的区域的合并、剪切、取反等效果。

Part2. 轮廓提取&筛选

  相比较颜色提取，轮廓提取对于实际应用的普适性更好，也相应得更复杂。
  其主要步骤如下：

• 1.彩色图转灰度图，二值化处理。
  （如果图像噪声多，可适当使用滤波器）
• 2.使用findContours()函数，提取轮廓
• 3.使用arcLength()，contourArea()函数获取 轮廓周长和面积
  （也可以引入其他特征量）
• 4.筛选轮廓，过滤掉无效轮廓
• 5.进行 绘制轮廓/制作掩膜 等操作

针对步骤3，这里给出halcon里常用的区域特征量：

• 轮廓周长：arcLength()
• 轮廓面积：contourArea()
• 凸包检测：convexHull()
• 最小外接圆：minEnclosingCircle()
• 最小外接矩形：minAreaRect()

  接下来，就是代码部分。同上，是封装在python类中实现。因为轮廓的筛选方式很多，这里实现的是简单的依据 轮廓面积和周长范围进行筛选。

import cv2
import numpy as np

# 导入相应的模块

class ContourFilter(object):
    def __init__(self):
        super(ContourFilter, self).__init__()
        # 输入参数区
        self.threshold = lambda image: cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                                             cv2.THRESH_BINARY_INV, 15, 21)
		# 二值化算法，这里使用的是 自适应二值化，也可以使用Canny边缘检测算法 等。
        self.areaRanges = []
		# 轮廓面积范围
		# 存储格式为 [(minArea1,maxArea1),(minArea2,maxArea2),...]
        self.perimeterRanges = []
		# 轮廓周长范围
		# 存储格式同上
        self.contourColor = (255, 127, 127)
		# 轮廓的绘制颜色
        self.contourThickness = 3
		# 轮廓的绘制粗细
        self.inPlace = False
		# 是否处理后显示在原图上
        self.paint = True
		# 是否进行绘制

    def __call__(self, src: np.ndarray) -> np.ndarray:
    	# 必要的函数注释
        if not self.areaRanges:
            self.areaRanges = [(0, float('inf'))]
        if not self.perimeterRanges:
            self.perimeterRanges = [(0, float('inf'))]
		# 如果周长和面积范围未赋值(None)，那么默认为(0,+∞)

        if self.inPlace:
            dest = src.copy()
        else:
            dest = np.zeros_like(src)
		# 处理显示在 原图拷贝上 或者 在空图像上

        if len(src.shape) == 3 and src.shape[2] == 3:
            gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
        elif len(src.shape) == 2:
            gray = src
		# 转灰度图处理，如果本身就是单通道，那么不进行转换
		
        binary = self.threshold(gray)
		# 二值化处理
		
        contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
		# 轮廓提取，这里提取的是外轮廓且忽略轮廓层次信息
        resultContours = []
		# 轮廓的筛选结果列表
        for contour in contours:
			# 对每一轮廓进行遍历
            perimeter = cv2.arcLength(contour, True)
			# 计算轮廓长度
            area = cv2.contourArea(contour)
			# 计算轮廓面积
			
            for perimeterRange, areaRange in zip(self.perimeterRanges, self.areaRanges):
                if perimeterRange[0] < perimeter <= perimeterRange[1] and areaRange[0] < area <= areaRange[1]:
                    resultContours.append(contour)
			# 记录符合筛选条件的轮廓
        if self.paint:
            cv2.drawContours(dest, resultContours, -1, self.contourColor, self.contourThickness)
		# 绘制轮廓
		
        return dest
# 调用测试
if __name__ == '__main__':
	src = cv2.imread(r'xxx.png')	# 图片路径
    contourFilter = ContourFilter()	# 初始化ContourFilter对象
    contourFilter.areaRanges.append((minArea, maxArea))
    contourFilter.perimeterRanges.append((minPerimeter, maxPerimeter))
	# 对轮廓的面积和周长进行条件限制
	dest = colorFilter(src)
	cv2.imshow('dest', dest)
	cv2.waitKey(0)

笔者在这里同样以opencv的logo为例，给出运行的效果图：

  上述代码用例实现了轮廓的绘制，读者也可以自行更改代码，使其变体为生成掩膜、区域填充等功能。笔者在此就不加赘述。

结束语

  笔者作为初涉计算机视觉领域的在校学生，技术水平有限。本文中倘若出现错误或者值得补充的地方，希望各位读者在评论中指出。衷心感谢每位看到本文的读者！