关于图像颜色识别和去除背景

识别颜色一般先把图像转化为HSV颜色空间

HSV颜色空间由三个分量组成：色相（Hue）、饱和度（Saturation）和明度（Value）。通过调整这些分量的值，我们可以选择特定的颜色范围，HSV具体含义如下：

色相（Hue）：色相值表示颜色在颜色轮上的位置。不同的颜色在色相上有不同的取值范围。例如，红色的色相值约为0-10或160-180，蓝色的色相值约为110-130，绿色的色相值约为50-70。根据所需识别的颜色，选择相应的色相范围。

饱和度（Saturation）：饱和度值表示颜色的纯度或鲜艳程度。较高的饱和度值表示颜色更加鲜艳，而较低的饱和度值表示颜色较为灰暗。根据实际场景中颜色的饱和度，选择适当的饱和度范围。

明度（Value）：明度值表示颜色的亮度或明暗程度。较高的明度值表示颜色较亮，而较低的明度值表示颜色较暗。根据实际场景中颜色的明度，选择适当的明度范围。

这些值是根据经验和实验进行调整的，以获得最佳的颜色识别效果。我们可以根据具体的应用场景和需求进行调整，以适应不同的颜色识别任务。在实际使用中，我们可能需要进行多次尝试和调整，以找到最适合需求的颜色范围。

对于每种颜色（红色、蓝色和绿色），我们使用np.array()函数创建了一个包含三个元素的NumPy数组。这些元素分别代表HSV颜色空间中的色相、饱和度和明度的下限和上限。

确定绿色的区域范围

mingreen=np.array([30,60,60])

maxgreen=np.array([90,255,255])

这个值是通过多次测试得出效果相对较好的数据

这就是用颜色识别的弊端，会受到其他相同颜色的干扰。

关于去除背景还有另一种比较好的方式（GrabCut）

GrabCut算法的工作原理可概括为以下几个步骤：

用户输入：用户在图像上绘制一个矩形框，圈定前景对象。 初始标记：算法使用高斯混合模型（GMM）对框选区域内的像素进行初始标记，区分前景和背景。 图割算法：基于像素的颜色分布，构建一个图，并添加源节点和汇聚节点，像素之间的连接权重基于颜色相似性。 迭代优化：通过迭代方式，利用最小割算法对前景和背景的分割进行优化。 结果修正：用户可根据分割结果进行手动修正，提高分割的准确性。

效果感觉比颜色识别后用阈值去除背景的效果要好很多。但是缺点就是需要手动框区出你需要的部分（也就是感兴趣区域）。

还有一种更先进的去背景方法也略有了解就是使用U-Net

什么是U-Net？（简单了解了一下是什么东西）

U-Net是一个全卷积网络，最初为生物医学图像分割设计。由于其卓越的性能和结构的对称性，它已被广泛应用于各种图像分割任务，包括背景去除。

使用摄像头框出标签

第一步，高斯模糊

将原图像进行模糊处理，方便颜色的提取 gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)，其中 参数一：frame需要高斯模糊的图像 参数二：(5, 5)高斯矩阵的长与宽都是5 参数三：0标准差是0

第二步，BGR转换为HSV

刚刚高斯模糊后的图像的颜色模式从BGR转换为HSV（在OpenCV中不使用RGB模式，而是使用BGR模式）。为什么使用HSV模式呢？因为这种模式更加方便单一颜色的提取，具体原理我也不懂。 hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV) 参数一：gs_frame原图像 参数二：cv2.COLOR_BGR2HSV颜色转换方式，从BGR to HSV

第三步，腐蚀

通俗来说，就是将图像变瘦，用于去除噪声点。 erode_hsv = cv2.erode(hsv, None, iterations=2) 参数一：hsv原图像 参数三：iterations=2腐蚀的宽度

可以看出少了很多干扰（紫色的点点少了很多）。

第四步，去除背景部分

将绿色以外的其他部分去除掉，并将图像转化为二值化图像 inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper']) 参数一：erode_hsv原图像 参数二：color_dist[ball_color]['Lower']颜色的下限 参数三：color_dist[ball_color]['Upper']颜色的上限

第五步，用矩形框出

第一步，找出外边界

cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]

使用该函数找出方框外边界，并存储在cnts中。 findContours 参考资料

第二步，找出矩形

在边界中找出面积最大的区域，选定该区域为方块所在区域，并绘制出该区域的最小外接矩形，并记录该矩形的位置坐标。 c = max(cnts, key=cv2.contourArea) 在边界中找出面积最大的区域 rect = cv2.minAreaRect(c) 绘制出该区域的最小外接矩形 box = cv2.boxPoints(rect) 记录该矩形四个点的位置坐标

第三步，绘制矩形

在原图像上将分析出的矩形边界绘制出来 cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2) 参数一：frame目标图像 参数二：[np.int0(box)]轮廓本身，在Python中是一个list 参数三：-1指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。 参数四：(0, 255, 255)轮廓颜色BGR 参数五：2廓线的宽度

这种方式的弊端和第一种是一样的，并不是很稳定容易受到和所需相同颜色的干扰而变得不稳定。我尝试把这两种方法结合起来（GrabCut和使用摄像头框出标签结合）但是失败了哈哈哈哈。