OpenCV是一款非常強(qiáng)大的圖像處理工具，對(duì)于從事圖像處理領(lǐng)域相關(guān)工作的人來(lái)說(shuō)這個(gè)可以說(shuō)是必不可少的一項(xiàng)工具，用起來(lái)也很方面，下嗎是一段簡(jiǎn)單的介紹：

OpenCV是一個(gè)基于BSD許可（開(kāi)源）發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)軟件庫(kù)，可以運(yùn)行在Linux、Windows、Android和Mac OS操作系統(tǒng)上。它輕量級(jí)而且高效——由一系列 C 函數(shù)和少量 C++ 類(lèi)構(gòu)成，同時(shí)提供了Python、Ruby、MATLAB等語(yǔ)言的接口，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法。OpenCV用C++語(yǔ)言編寫(xiě)，它具有C ++，Python，Java和MATLAB接口，并支持Windows，Linux，Android和Mac OS，OpenCV主要傾向于實(shí)時(shí)視覺(jué)應(yīng)用，并在可用時(shí)利用MMX和SSE指令， 如今也提供對(duì)于C#、Ch、Ruby，GO的支持。

OpenCV官網(wǎng)是https://opencv.org/，首頁(yè)截圖如下所示：

下面給出來(lái)幾個(gè)學(xué)習(xí)OpenCV的鏈接：

https://docs.opencv.org/master/d9/df8/tutorial_root.html https://docs.opencv.org/ https://www.zhihu.com/question/26881367我們今天的內(nèi)容主要是想基于OpenCV來(lái)實(shí)現(xiàn)對(duì)圖像中我們關(guān)注的一些目標(biāo)對(duì)象進(jìn)行檢測(cè)識(shí)別或者說(shuō)是對(duì)其存在的區(qū)域位置進(jìn)行挖掘，在開(kāi)始這篇文章之前，我曾經(jīng)看到了有人基于OpenCV實(shí)現(xiàn)了火焰或者是煙霧的檢測(cè)，其實(shí)不管是類(lèi)似的物體的檢測(cè)也好不相關(guān)的物體識(shí)別檢測(cè)也好，很大程度是比較通用的做法都是基于像素來(lái)完成最終的計(jì)算的。 這里我們以生活中最為常見(jiàn)的土地來(lái)作為要識(shí)別檢測(cè)的目標(biāo)對(duì)象進(jìn)行實(shí)驗(yàn)，先來(lái)看一張網(wǎng)上找到的圖片，如下所示：

接下來(lái)先看一下，最終的識(shí)別檢測(cè)效果：

從上面的結(jié)果來(lái)看，比較完全地檢測(cè)到了圖中出現(xiàn)的土地的區(qū)域，最終，我們采用外切矩形的方式完成了對(duì)其輪廓數(shù)據(jù)的確定。 接下來(lái)，我們進(jìn)入正文，在實(shí)際去實(shí)踐之前，我們很有必要來(lái)了解一下幾種比較常用的顏色空間，簡(jiǎn)單總結(jié)匯總?cè)缦拢?/p>

RGB顏色空間: R:Red紅色 G:Green綠色 B:Blue藍(lán)色 HSV顏色空間： H:Hue色度 S:Saturation飽和度 V:Value亮度 HSI顏色空間: H:Hue色度 S:Saturation飽和度 I:Intensity強(qiáng)度本質(zhì)上來(lái)講，不同的物體不同的對(duì)象自身的像素范圍是不同的，在實(shí)際操作的時(shí)候基于像素區(qū)間可以過(guò)濾得到你所關(guān)注的對(duì)象，通常這樣的操作會(huì)在HSV空間中進(jìn)行，個(gè)人的理解是將原始的BGR或者是RGB的圖像轉(zhuǎn)化到HSV空間里面來(lái)確定目標(biāo)對(duì)象的像素區(qū)間更為容易，我實(shí)際測(cè)試過(guò)，在RGB和BGR空間里面也是可以進(jìn)行計(jì)算的，只不過(guò)不如HSV空間，這里就不再多討論了，可以嘗試別的方式，本文用的是HSV空間進(jìn)行計(jì)算的。 最開(kāi)始的時(shí)候去確定目標(biāo)對(duì)象所處的像素空間是很笨拙的，主要是借助OpenCV和matplotlib實(shí)現(xiàn)的“人眼探索”，比較麻煩，后來(lái)在github社區(qū)里面找到了一個(gè)界面的實(shí)現(xiàn)，覺(jué)得很不錯(cuò)，就拿來(lái)用了，這里貼出來(lái)源碼實(shí)現(xiàn)，如下所示：#!usr/bin/envpython #encoding:utf-8 from__future__importdivision ''' 功能：HSV空間圖片色素范圍查看器 ''' importcv2 importnumpyasnp defnothing(x): pass defcolorLooker(pic='1.png'): ''' HSV空間圖片色素范圍查看器 ''' #圖像加載 image=cv2.imread(pic) #窗口初始化 cv2.namedWindow('image',cv2.WINDOW_NORMAL) #創(chuàng)建拖動(dòng)條 #Opencv中Hue取值范圍是0-179 cv2.createTrackbar('HMin','image',0,179,nothing) cv2.createTrackbar('SMin','image',0,255,nothing) cv2.createTrackbar('VMin','image',0,255,nothing) cv2.createTrackbar('HMax','image',0,179,nothing) cv2.createTrackbar('SMax','image',0,255,nothing) cv2.createTrackbar('VMax','image',0,255,nothing) #設(shè)置默認(rèn)最大值 cv2.setTrackbarPos('HMax','image',179) cv2.setTrackbarPos('SMax','image',255) cv2.setTrackbarPos('VMax','image',255) #初始化設(shè)置 hMin=sMin=vMin=hMax=sMax=vMax=0 phMin=psMin=pvMin=phMax=psMax=pvMax=0 while(1): #實(shí)時(shí)獲取拖動(dòng)條上的值 hMin=cv2.getTrackbarPos('HMin','image') sMin=cv2.getTrackbarPos('SMin','image') vMin=cv2.getTrackbarPos('VMin','image') hMax=cv2.getTrackbarPos('HMax','image') sMax=cv2.getTrackbarPos('SMax','image') vMax=cv2.getTrackbarPos('VMax','image') #設(shè)定HSV的最大和最小值 lower=np.array([hMin,sMin,vMin]) upper=np.array([hMax,sMax,vMax]) #BGR和HSV顏色空間轉(zhuǎn)化處理 hsv=cv2.cvtColor(image,cv2.COLOR_BGR2HSV) mask=cv2.inRange(hsv,lower,upper) result=cv2.bitwise_and(image,image,mask=mask) #拖動(dòng)改變閾值的同時(shí)，實(shí)時(shí)輸出調(diào)整的信息 if((phMin!=hMin)|(psMin!=sMin)|(pvMin!=vMin)|(phMax!=hMax)|(psMax!=sMax)|(pvMax!=vMax)): print("(hMin=%d,sMin=%d,vMin=%d),(hMax=%d,sMax=%d,vMax=%d)"%(hMin,sMin,vMin,hMax,sMax,vMax)) phMin=hMin psMin=sMin pvMin=vMin phMax=hMax psMax=sMax pvMax=vMax #展示由色素帶閾值范圍處理過(guò)的結(jié)果圖片 cv2.imshow('image',result) ifcv2.waitKey(10)&0xFF==ord('q'): break cv2.destroyAllWindows() if__name__=='__main__': colorLooker(pic='1.png') 啟動(dòng)后截圖如下所示：

借助界面中的拖動(dòng)條可以很方便地進(jìn)行調(diào)節(jié)，看到實(shí)時(shí)處理后的結(jié)果圖片：

經(jīng)過(guò)調(diào)節(jié)后最終的結(jié)果如下所示：

調(diào)整拖動(dòng)條的同時(shí)，終端窗口輸出如下所示：

到這里，我們已經(jīng)獲取到了所需要的各個(gè)維度的閾值數(shù)據(jù)了，就可以進(jìn)行后面的處理了。 接下來(lái)我們基于上述閾值來(lái)進(jìn)行區(qū)域挖掘計(jì)算，同樣使用上述的圖片，核心代碼實(shí)現(xiàn)如下所示：

img=Image.open('1.png') img=cv2.cvtColor(np.asarray(img),cv2.COLOR_RGB2BGR) frame=cv2.cvtColor(img,cv2.COLOR_BGR2HSV) blur=cv2.GaussianBlur(frame,(21,21),0) hsv=cv2.cvtColor(blur,cv2.COLOR_BGR2HSV) h,w,way=img.shape total=h*w print('h:',h,'w:',w,'area:',total) #設(shè)置閾值數(shù)據(jù) lower=[8,67,84] upper=[85,255,255] lower=np.array(lower,dtype="uint8") upper=np.array(upper,dtype="uint8") mask=cv2.inRange(hsv,lower,upper) output=cv2.bitwise_and(hsv,hsv,mask=mask) count=cv2.countNonZero(mask) print('count:',count) now_ratio=round(int(count)/total,3) print('now_ratio:',now_ratio)

之后為了得到實(shí)際的輪廓區(qū)域，我們可以使用cv2.findContours方法來(lái)實(shí)現(xiàn)目標(biāo)對(duì)象的區(qū)域挖掘計(jì)算，核心代碼實(shí)現(xiàn)如下所示：gray=cv2.cvtColor(output,cv2.COLOR_BGR2GRAY) print('gray_shape:',gray.shape) ret,output=cv2.threshold(gray,127,255,cv2.THRESH_BINARY) ''' cv2.findContours:
在opencv中查找輪廓時(shí)，物體應(yīng)該是白色而背景應(yīng)該是黑色 contours,hierarchy=cv2.findContours(image,mode,method) image：輸入圖像 mode：輪廓的模式。cv2.RETR_EXTERNAL只檢測(cè)外輪廓；cv2.RETR_LIST檢測(cè)的輪廓不建立等級(jí)關(guān)系；cv2.RETR_CCOMP建立兩個(gè)等級(jí)的輪廓，上一層為外邊界，內(nèi)層為內(nèi)孔的邊界。如果內(nèi)孔內(nèi)還有連通物體，則這個(gè)物體的邊界也在頂層；cv2.RETR_TREE建立一個(gè)等級(jí)樹(shù)結(jié)構(gòu)的輪廓。 method：輪廓的近似方法。cv2.CHAIN_APPROX_NOME存儲(chǔ)所有的輪廓點(diǎn)，相鄰的兩個(gè)點(diǎn)的像素位置差不超過(guò)1；cv2.CHAIN_APPROX_SIMPLE壓縮水平方向、垂直方向、對(duì)角線方向的元素，只保留該方向的終點(diǎn)坐標(biāo)，例如一個(gè)矩形輪廓只需要4個(gè)點(diǎn)來(lái)保存輪廓信息；cv2.CHAIN_APPROX_TC89_L1，cv2.CV_CHAIN_APPROX_TC89_KCOS contours：返回的輪廓 hierarchy：每條輪廓對(duì)應(yīng)的屬性 ''' contours,hierarchy=cv2.findContours(output,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) print('contours_num:',len(contours)) count_dict={} areas,lengths=0,0 foriinrange(len(contours)): one=contours[i] one_lk=one.tolist() iflen(one_lk)>=2: area=cv2.contourArea(one) length=cv2.arcLength(one,True) areas+=area lengths+=length left_list,right_list=[O[0][0]forOinone_lk],[O[0][1]forOinone_lk] minX,maxX,minY,maxY=min(left_list),max(left_list),min(right_list),max(right_list) A=abs(maxY-minY)*abs(maxX-minX) print('area:',area,'A:',A,'length:',length) count_dict[i]=[A,area,length,[minX,maxX,minY,maxY]] sorted_list=sorted(count_dict.items(),key=lambdae:e[1][0],reverse=True) print(sorted_list[:10]) result['value']=count_dict cv2.drawContours(img,contours,-1,(0,0,255),3)完成輪廓的挖掘計(jì)算后，我們借助于OpenCV實(shí)現(xiàn)可視化，結(jié)果如下所示：

可以看到：已經(jīng)大體上實(shí)現(xiàn)了我們所要的功能，但是美中不足的是里面有很多小的矩形框，這個(gè)是我們外切矩形設(shè)計(jì)的問(wèn)題，沒(méi)有考慮到過(guò)濾掉嵌套或者是包含的情況，所以這里就來(lái)處理一下：

ifsorted_list: filter_list=filterBox(sorted_list[:5]) forone_boxinfilter_list: print('one_box:',one_box) A,area,length,[minX,maxX,minY,maxY]=one_box cv2.rectangle(img,(minX,maxY),(maxX,minY),(0,255,0),3)此時(shí)的結(jié)果如下所示：

對(duì)應(yīng)的計(jì)算結(jié)果輸出如下所示：

('h:',336L,'w:',500L,'area:',168000L) ('count:',126387) ('now_ratio:',0.752) ('output_shape:',(336L,500L,3L)) ('gray_shape:',(336L,500L)) ('contours_num:',64) ('area:',0.0,'A:',2,'length:',4.828427076339722) ('area:',0.0,'A:',0,'length:',4.0) ('area:',29.0,'A:',44,'length:',27.313708186149597) ('area:',42.5,'A:',72,'length:',34.72792184352875) ('area:',0.5,'A:',6,'length:',9.071067690849304) ('area:',0.0,'A:',10,'length:',11.656854152679443) ('area:',0.0,'A:',1,'length:',2.8284270763397217) ('area:',0.0,'A:',2,'length:',4.828427076339722) ('area:',1.5,'A:',2,'length:',5.414213538169861) ('area:',16.5,'A:',36,'length:',27.55634891986847) ('area:',5.0,'A:',36,'length:',37.79898953437805) ('area:',1.5,'A:',3,'length:',8.242640614509583) ('area:',0.0,'A:',0,'length:',2.0) ('area:',2.0,'A:',2,'length:',6.0) ('area:',360.0,'A:',1026,'length:',206.93607211112976) ('area:',44.0,'A:',143,'length:',59.94112479686737) ('area:',0.0,'A:',1,'length:',2.8284270763397217) ('area:',0.0,'A:',1,'length:',2.8284270763397217) ('area:',33.5,'A:',60,'length:',30.38477599620819) ('area:',76.5,'A:',228,'length:',63.35533845424652) ('area:',320.0,'A:',792,'length:',166.9949471950531) ('area:',16.0,'A:',35,'length:',21.313708305358887) ('area:',0.0,'A:',8,'length:',10.828427076339722) ('area:',21.0,'A:',78,'length:',37.79898953437805) ('area:',0.0,'A:',1,'length:',2.8284270763397217) ('area:',0.0,'A:',2,'length:',4.828427076339722) ('area:',0.0,'A:',2,'length:',4.828427076339722) ('area:',3.5,'A:',25,'length:',20.727921843528748) ('area:',1.5,'A:',12,'length:',13.071067690849304) ('area:',51.0,'A:',121,'length:',53.94112491607666) ('area:',0.0,'A:',1,'length:',2.8284270763397217) ('area:',32.5,'A:',50,'length:',27.899494767189026) ('area:',309.5,'A:',722,'length:',96.32590079307556) ('area:',34.0,'A:',42,'length:',22.485281229019165) ('area:',80970.5,'A:',132699,'length:',2718.5739262104034) [(63,[132699,80970.5,2718.5739262104034,[1,498,67,334]]),(24,[1026,360.0,206.93607211112976,[33,60,281,319]]),(39,[792,320.0,166.9949471950531,[61,94,252,276]]),(61,[722,309.5,96.32590079307556,[384,422,75,94]]),(34,[228,76.5,63.35533845424652,[1,13,267,286]]),(25,[143,44.0,59.94112479686737,[68,81,280,291]]),(55,[121,51.0,53.94112491607666,[189,200,219,230]]),(47,[78,21.0,37.79898953437805,[100,113,235,241]]),(4,[72,42.5,34.72792184352875,[209,221,328,334]]),(32,[60,33.5,30.38477599620819,[15,25,274,280]])] ('one_box:',[132699,80970.5,2718.5739262104034,[1,498,67,334]])為了更加直觀地對(duì)比分析，我們將上面計(jì)算各個(gè)步驟中的對(duì)象數(shù)據(jù)進(jìn)行可視化，借助于matplotlib繪制在同一張圖上，結(jié)果如下所示：

左上角為原始圖片，右下角為最終處理得到的圖片，可以看到整個(gè)處理過(guò)程的變化。 到這里本文的內(nèi)容就結(jié)束了，學(xué)習(xí)依舊在路上，歡迎交流，互相學(xué)習(xí)！

作者：沂水寒城，CSDN博客專(zhuān)家，個(gè)人研究方向：機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、NLP、CV

Blog:http://yishuihancheng.blog.csdn.net

責(zé)任編輯：PSY

原文標(biāo)題：垃圾分類(lèi)的正確姿勢(shì)？用 OpenCV 人工智能圖像識(shí)別技術(shù)來(lái)進(jìn)行

文章出處：【微信公眾號(hào)：新機(jī)器視覺(jué)】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。