Initialize PiCamera

note

本文档由 AI 翻译。如您发现内容有误或有改进建议，欢迎通过页面下方的评论区，或在以下 Issue 页面中告诉我们：https://github.com/Seeed-Studio/wiki-documents/issues

简介

颜色检测是计算机视觉的核心组成部分，涉及识别和分析数字图像或视频中的颜色。它广泛应用于各个行业，使得任务如 机器人中的物体识别、制造业中的质量控制，甚至在艺术品修复中 都成为可能。颜色检测背后的算法推动了技术的进步，影响了诸如 自动驾驶汽车、医学影像，以及电影和摄影中的视觉美学 等领域。总的来说，颜色检测是一种多功能工具，能够以多种有意义的方式增强我们对视觉世界的理解和互动能力。

开始准备

在开始这个项目之前，您需要按照以下描述提前准备好硬件和软件。

硬件准备

reTerminal	PiCam
立即购买 🖱️	📚 了解更多

软件准备

我们建议从 Raspberry Pi 官方网站安装 Bullesye 或 Bookworm 版本的 64 位 Raspberry Pi 操作系统。如果您希望安装新的 Raspbian 操作系统，请按照此 指南 中的步骤操作。

note

我们强烈建议您查看我们之前的教程 OpenCV 入门，因为本教程是我们系列教程的延续。

在 OpenCV 中探索颜色空间

颜色空间是图像处理中的基础概念，OpenCV 支持多种颜色空间，每种都有其独特的用途。让我们深入了解 OpenCV 中的三种常见颜色空间：CMYK、BGR 和 HSV。

CMYK 颜色空间

CMYK（青色、品红、黄色、黑色）是一种减色模型，主要用于彩色打印。 通过从白光中减去不同百分比的青色、品红、黄色和黑色来生成颜色。

BGR 颜色空间

OpenCV 的默认颜色空间是 RGB，但它内部以 BGR（蓝、绿、红）的顺序存储颜色。 BGR 是一种加色模型，通过组合不同强度的蓝色、绿色和红色来形成各种颜色。

分量范围：

• 蓝色 (0-255)：蓝色的强度。
• 绿色 (0-255)：绿色的强度。
• 红色 (0-255)：红色的强度。

HSV 颜色空间

HSV（色调、饱和度、明度）是一种从 RGB 颜色点派生的圆柱模型。 它模拟了人类对颜色的感知，由色调、饱和度和明度组成。

分量范围：

• 色调 (0-179)：颜色的类型，以角度表示。
• 饱和度 (0-255)：颜色的强度或鲜艳度。
• 明度 (0-255)：颜色的亮度。

为什么 HSV 在颜色检测问题中很重要？

HSV（色调、饱和度、明度）在颜色检测任务中至关重要，因为它能够有效地分离颜色信息。与 RGB 或 BGR 不同，HSV 将颜色的类型（色调）与其强度（饱和度）和亮度（明度）分离开来，提供了一种更直观的表示方式。这种分离对光照变化具有较强的鲁棒性，使基于颜色的分割对光照条件的变化不那么敏感。此外，HSV 对颜色的自然表示简化了定义颜色阈值的过程，从而更容易为识别图像中的特定对象或区域设定精确的标准。HSV 在计算机视觉任务中的广泛应用（如基于颜色的目标跟踪和分割）突显了其在实现准确可靠结果方面的重要性。

如何使用代码片段

在第一个代码中，您可以通过交互式调整滑块来直观地确定最佳颜色阈值。通过试验这些滑块，您可以精确定位感兴趣的特定颜色，并记录相应的 HSV 最小值和最大值。这种动手操作提供了一种直观的方法来微调颜色参数，确保更个性化和精确的颜色识别体验。

cd Seeed_Python_ReTerminal/samples/Opencv_and_piCam

然后运行：

python hsvtest.py

您甚至可以使用 Thonny IDE 来运行该 Python 脚本。

以下是用于 HSV 调整的代码：

import cv2
import numpy as np

def empty(a):
    pass

def stackImages(scale,imgArray):
    rows = len(imgArray)
    cols = len(imgArray[0])
    rowsAvailable = isinstance(imgArray[0], list)
    width = imgArray[0][0].shape[1]
    height = imgArray[0][0].shape[0]
    if rowsAvailable:
        for x in range (0, rows):
            for y in range(0, cols):
                if imgArray[x][y].shape[:2] == imgArray[0][0].shape[:2]:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (0, 0), None, scale, scale)
                else:
                    imgArray[x][y] = cv2.resize(imgArray[x][y], (imgArray[0][0].shape[1], imgArray[0][0].shape[0]), None, scale, scale)
                if len(imgArray[x][y].shape) == 2: imgArray[x][y]= cv2.cvtColor( imgArray[x][y], cv2.COLOR_GRAY2BGR)
        imageBlank = np.zeros((height, width, 3), np.uint8)
        hor = [imageBlank]*rows
        hor_con = [imageBlank]*rows
        for x in range(0, rows):
            hor[x] = np.hstack(imgArray[x])
        ver = np.vstack(hor)
    else:
        for x in range(0, rows):
            if imgArray[x].shape[:2] == imgArray[0].shape[:2]:
                imgArray[x] = cv2.resize(imgArray[x], (0, 0), None, scale, scale)
            else:
                imgArray[x] = cv2.resize(imgArray[x], (imgArray[0].shape[1], imgArray[0].shape[0]), None,scale, scale)
            if len(imgArray[x].shape) == 2: imgArray[x] = cv2.cvtColor(imgArray[x], cv2.COLOR_GRAY2BGR)
        hor= np.hstack(imgArray)
        ver = hor
    return ver

path = 'captured_image.jpg'
cv2.namedWindow("TrackBars")
cv2.resizeWindow("TrackBars",640,240)
cv2.createTrackbar("Hue Min","TrackBars",0,179,empty)
cv2.createTrackbar("Hue Max","TrackBars",19,179,empty)
cv2.createTrackbar("Sat Min","TrackBars",110,255,empty)
cv2.createTrackbar("Sat Max","TrackBars",240,255,empty)
cv2.createTrackbar("Val Min","TrackBars",153,255,empty)
cv2.createTrackbar("Val Max","TrackBars",255,255,empty)

while True:
    img = cv2.imread(path)
    img= cv2.resize(img, (300, 300))
    imgHSV = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
    h_min = cv2.getTrackbarPos("Hue Min","TrackBars")
    h_max = cv2.getTrackbarPos("Hue Max", "TrackBars")
    s_min = cv2.getTrackbarPos("Sat Min", "TrackBars")
    s_max = cv2.getTrackbarPos("Sat Max", "TrackBars")
    v_min = cv2.getTrackbarPos("Val Min", "TrackBars")
    v_max = cv2.getTrackbarPos("Val Max", "TrackBars")
    print(h_min,h_max,s_min,s_max,v_min,v_max)
    lower = np.array([h_min,s_min,v_min])
    upper = np.array([h_max,s_max,v_max])
    mask = cv2.inRange(imgHSV,lower,upper)
    imgResult = cv2.bitwise_and(img,img,mask=mask)

    cv2.imshow("Original",img)
    cv2.imshow("HSV",imgHSV)
    cv2.imshow("Mask", mask)
    cv2.imshow("Result", imgResult)

    #imgStack = stackImages(0.6,([img,imgHSV],[mask,imgResult]))
    #cv2.imshow("Stacked Images", imgStack)

    cv2.waitKey(1)

一旦您使用第一个代码片段中的滑块确定了 HSV 的最小值和最大值，您可以无缝地将这些数值替换为对应的颜色名称及其识别范围，并在第二个代码片段中使用。

python colordetector.py

以下是完整的颜色检测代码：

import cv2
import numpy as np
from picamera2 import Picamera2

Your_color = "Green"

def detect_single_color(imageFrame, color_name, lower_range, upper_range, color_display):
    hsvFrame = cv2.cvtColor(imageFrame, cv2.COLOR_BGR2HSV)
    color_mask = cv2.inRange(hsvFrame, lower_range, upper_range)

    kernel = np.ones((5, 5), "uint8")
    color_mask = cv2.dilate(color_mask, kernel)
    result = cv2.bitwise_and(imageFrame, imageFrame, mask=color_mask)

    contours, hierarchy = cv2.findContours(color_mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    for pic, contour in enumerate(contours):
        area = cv2.contourArea(contour)
        if area > 800:
            x, y, w, h = cv2.boundingRect(contour)
            imageFrame = cv2.rectangle(imageFrame, (x, y), (x + w, y + h), color_display, 2)
            cv2.putText(imageFrame, f"{color_name} Colour", (x, y), cv2.FONT_HERSHEY_SIMPLEX, 1.0, color_display)

    return imageFrame

picam2 = Picamera2()
picam2.preview_configuration.main.size = (1280, 720)
picam2.preview_configuration.main.format = "RGB888"
picam2.preview_configuration.align()
picam2.configure("preview")
picam2.start()

# Define your color range
my_color_lower = np.array([49, 105, 0], np.uint8)
my_color_upper = np.array([94, 255, 255], np.uint8)

# Start a while loop
while True:
    im = picam2.capture_array()

    # Example: Detecting your specified color
    result_frame = detect_single_color(im, Your_color, my_color_lower, my_color_upper, (0, 255, 0))  # Change the color display accordingly

    # Program Termination
    cv2.imshow("Single Color Detection in Real-Time", result_frame)
    if cv2.waitKey(10) & 0xFF == ord('q'):
        picam2.stop()
        cv2.destroyAllWindows()
        break

应用

颜色检测在从计算机视觉和制造业到医学影像和艺术的各种应用中起着关键作用。在计算机视觉中，它支持物体识别和跟踪，有助于完成诸如机器人导航和监控等任务。工业领域利用颜色检测进行分类和质量控制，确保产品符合标准。医学影像依赖于基于颜色的分割进行精确分析，而娱乐行业则在电影色彩校正和艺术修复中使用它。从交通标志识别到生物识别和环境监测，检测和解释颜色的能力是基础性的，推动了技术、自动化及各个领域的进步。通过使用 OpenCV 计算机视觉库中的简单技术，如颜色检测和形状检测，我们可以轻松地统计停车位并检测异常停车场景。

技术支持

感谢您选择我们的产品！我们致力于为您提供多种支持，以确保您使用我们的产品时体验顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。