之前我们已经知道怎么检测蓝幕背景了,但是这种检测方法是有前提的,就是场景光线要好,而且蓝幕的颜色要十分连贯,如果光线发生变化,有阴影或者光线太亮,怎办呢?
显然这个时候简单的颜色阈值已经不能适用了,那就转换一种颜色表示方式,其实 表示图像颜色的方法还有很多,不仅是我们经常用的红绿蓝这样的颜色空间,还有一种颜色空间是 HSV 三个字母分别代表色相、饱和度和明度,而 HLS 则是指色相、亮度和饱和度模型。这几个就是图像处理中最常用的几种颜色空间了。
接下来,我们就来用HSV颜色空间来进行图像处理,我们要把每个像素的明度,即 V分量分离出来,这个分量受照明条件的影响最大,而 H 通道则基本不受阴影或过高亮度的影响,如果我们依靠这个通道 舍弃 V 通道的信息,那就能对彩色物体进行检测 而且效果会比在 RGB 颜色空间中更为可靠。
接下来,我们拿一张气球的图片,来做实验,目标是分离出来粉色的气球,代码如下:
## Import resources and display image
import numpy as np
import matplotlib.pyplot as plt
import cv2
%matplotlib inline
# Read in the image
image = cv2.imread('Pictures/water_balloons.jpg')
# Make a copy of the image
image_copy = np.copy(image) #备份图片
# Change color to RGB (from BGR)
image = cv2.cvtColor(image_copy, cv2.COLOR_BGR2RGB) #转换为RGB
plt.imshow(image)
# RGB channels
r = image[:,:,0] #隔离出R通道
g = image[:,:,1] #隔离出G通道
b = image[:,:,2] #隔离出B通道
f, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(20,10)) #分别显示出来
ax1.set_title('Red') #标题
ax1.imshow(r, cmap='gray') #灰色图像
ax2.set_title('Green')
ax2.imshow(g, cmap='gray')
ax3.set_title('Blue')
ax3.imshow(b, cmap='gray')
# Convert from RGB to HSV 将RGB转换为HSV
hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
# HSV channels
h = hsv[:,:,0] #h通道
s = hsv[:,:,1] #s通道
v = hsv[:,:,2] #v通道
f, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(20,10))
ax1.set_title('Hue')
ax1.imshow(h, cmap='gray')
ax2.set_title('Saturation')
ax2.imshow(s, cmap='gray')
ax3.set_title('Value')
ax3.imshow(v, cmap='gray')
## Define pink and hue selection thresholds
# Define our color selection criteria in HSV values
lower_hue = np.array([160,0,0])
upper_hue = np.array([180,255,255])
# Define our color selection criteria in RGB values
lower_pink = np.array([180,0,100])
upper_pink = np.array([255,255,230])
## Mask the image
# Define the masked area in RGB space
mask_rgb = cv2.inRange(image, lower_pink, upper_pink)
# mask the image
masked_image = np.copy(image)
masked_image[mask_rgb==0] = [0,0,0]
# Vizualize the mask
plt.imshow(masked_image)
# Now try HSV!
# Define the masked area in HSV space
mask_hsv = cv2.inRange(hsv, lower_hue, upper_hue)
# mask the image
masked_image = np.copy(image)
masked_image[mask_hsv==0] = [0,0,0]
# Vizualize the mask
plt.imshow(masked_image)
效果图
是不是很明显的把只要是粉色的部分都提取出来了,其中还有一些小点,可以通过修改阈值来进行调整~