Skip to main content

Detección de color con reTerminal y cámara Pi usando OpenCV

Introducción​

La detección de color, un componente clave de la visión por computadora, implica identificar y analizar colores en imágenes o videos digitales. Ampliamente utilizada en diversas industrias, habilita tareas como el reconocimiento de objetos en robótica, control de calidad en manufactura, e incluso juega un papel en la restauración de obras de arte. Los algoritmos detrás de la detección de color contribuyen a avances tecnológicos, influyendo en áreas como vehículos autónomos, imágenes médicas y estética visual en cine y fotografía. En esencia, la detección de color es una herramienta versátil que mejora nuestra capacidad de interpretar e interactuar con el mundo visual en numerosas aplicaciones.

Comenzando​

Antes de iniciar este proyecto, es posible que necesites preparar tu hardware y software como se describe a continuación.

Preparación de Hardware​

reTerminalPiCam
Cómpralo ahora 🖱️
📚 Más información

Preparación de Software​

Recomendamos instalar la versión Bullseye o Bookworm del sistema operativo Raspberry Pi de 64 bits desde su sitio oficial. Si prefieres instalar un nuevo sistema operativo Raspbian, sigue los pasos descritos en esta guía.

note

Recomendamos encarecidamente revisar nuestro tutorial anterior sobre Introducción a OpenCV, ya que este tutorial es una continuación de nuestra serie.

Explorando espacios de color en OpenCV​

Los espacios de color son fundamentales en el procesamiento de imágenes, y OpenCV admite varios, cada uno con fines específicos. A continuación, profundizaremos en tres espacios de color comunes en OpenCV: CMYK, BGR y HSV.

Espacio de color CMYK​

CMYK (Cyan, Magenta, Yellow, Key/Black) es un espacio de color sustractivo utilizado en impresión en color. Los colores se crean al restar porcentajes variables de cian, magenta, amarillo y negro de la luz blanca.

Espacio de color BGR​

El espacio de color predeterminado de OpenCV es RGB, pero internamente almacena el color en BGR (Azul, Verde, Rojo). BGR es un modelo de color aditivo, donde intensidades variables de azul, verde y rojo se combinan para formar diferentes tonos.

Rango de Componentes:

  • Blue (0-255): Intensidad del color azul.
  • Green (0-255): Intensidad del color verde.
  • Red (0-255): Intensidad del color rojo.

Espacio de color HSV​

HSV (Hue, Saturation, Value) representa los colores en un modelo cilíndrico derivado de los puntos de color RGB. Imita la percepción humana del color, con componentes de matiz, saturación y valor.

Rango de Componentes:

  • Hue (0-179): Tipo de color en grados.
  • Saturation (0-255): Intensidad o viveza del color.
  • Value (0-255): Brillo del color.

¿Por qué HSV es importante en problemas de detección de color?​

HSV (Hue, Saturation, Value) es esencial en tareas de detección de color debido a su capacidad para separar eficazmente la información del color. A diferencia de RGB o BGR, HSV aísla el tipo de color (Hue) de su intensidad (Saturación) y brillo (Value), proporcionando una representación más intuitiva. Esta separación resulta sólida frente a cambios en la iluminación, haciendo que la segmentación basada en color sea menos sensible a condiciones de iluminación variables. Además, la representación natural de los colores en HSV simplifica el proceso de definir umbrales de color, facilitando criterios precisos para identificar objetos o regiones específicas en una imagen. Su uso generalizado en tareas de visión por computadora, como el seguimiento y segmentación basados en color, destaca su importancia para lograr resultados exactos y confiables.

Cómo usar los fragmentos de código​

En el primer código, tienes la flexibilidad de ajustar interactivamente los trackbars para identificar visualmente los umbrales de color adecuados. Al experimentar con estos trackbars, podrás determinar el color específico de tu interés y anotar los valores mínimos y máximos de HSV. Este enfoque práctico ofrece una forma intuitiva de afinar los parámetros de color, garantizando así una identificación de color más precisa y personalizada.

cd Seeed_Python_ReTerminal/samples/Opencv_and_piCam

Luego 

python hsvtest.py

Incluso puedes usar Thonny IDE para ejecutar el script de Python.

Aquí está el código para ajustar HSV:

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)

Una vez que hayas determinado los valores mínimos y máximos de HSV usando los trackbars en el primer fragmento de código, puedes reemplazar sin problemas estos valores numéricos con el nombre del color correspondiente y su rango identificado en el segundo fragmento.

python colordetector.py

Aquí tienes el código completo para la detección de color:

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

# Initialize PiCamera
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

Aplicación​

La detección de color desempeña un papel fundamental en aplicaciones muy variadas, que van desde la visión por computadora y la manufactura hasta la imagen médica y el arte. En visión por computadora, posibilita el reconocimiento y seguimiento de objetos, contribuyendo a tareas como la navegación robótica y la vigilancia. Las industrias utilizan la detección de color para clasificación y control de calidad, asegurando que los productos cumplan los estándares requeridos. La imagen médica se beneficia de la segmentación basada en color para un análisis preciso, mientras que las industrias de entretenimiento la aplican en la gradación de color de películas y la restauración de arte. Desde el reconocimiento de señales de tráfico hasta la identificación biométrica y la monitorización ambiental, la habilidad de detectar e interpretar colores es fundamental, impulsando avances en tecnología, automatización y diversos campos. Usando técnicas simples como la detección de color y de formas de la biblioteca OpenCV Computer Vision, podemos contar fácilmente plazas de aparcamiento y detectar escenarios anormales de estacionamiento de automóviles.

Soporte técnico​

¡Gracias por elegir nuestros productos! Estamos aquí para ofrecerte diferentes tipos de soporte y asegurar que tu experiencia con nuestros productos sea lo más fluida posible. Brindamos varios canales de comunicación para adaptarnos a tus preferencias y necesidades.

Loading Comments...