一、实验原理
1、颜色空间转换：
OpenCV 的默认颜色空间为 BGR（蓝、绿、红），但识别特定颜色更适合在 HSV（色调、饱和度、亮度）颜色空间中进行。
HSV 优势：能够更方便地描述颜色范围，用于筛选特定颜色区域。
2、颜色范围过滤：
利用 cv2.inRange 函数，通过设定的颜色范围，将指定颜色区域提取为二值掩膜。
3、图像处理：
①滤波：
通过中值滤波去除噪点，平滑图像。滤波是应用卷积来实现的，卷积的关键就是卷积核，下图为卷积核滤波原理：
②形态学变换：
通过开运算（先腐蚀后膨胀）进一步消除小噪声和孤立点。
4、轮廓提取和绘制：
- 利用 cv2.findContours 提取二值图像的轮廓。
- 根据轮廓面积进行过滤，保留符合条件的目标区域。
- 使用 cv2.drawContours 在原图上绘制轮廓。
cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
二、实验代码
import cv2
import numpy as np# 1. 输入图片并调整大小
img = cv2.imread("./color_1.png")
if img is None:print("无法加载图片，请检查路径！")exit()
img = cv2.resize(img, (0, 0), fx=0.7, fy=0.7)# 2. 转换 HSV 颜色空间
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 3. 定义颜色范围并生成二值掩膜
yellow_min = np.array([26, 43, 46]) # 黄色下界
yellow_max = np.array([34, 255, 255]) # 黄色上界
img_mask = cv2.inRange(img_hsv, yellow_min, yellow_max)# 4. 中值滤波去噪
img_blur = cv2.medianBlur(img_mask, 7)# 5. 形态学变换 - 开运算
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
img_open = cv2.morphologyEx(img_blur, cv2.MORPH_OPEN, kernel)# 6. 轮廓提取
contours, _ = cv2.findContours(img_open, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 7. 遍历轮廓并绘制
img_result = img.copy()
for contour in contours:area = cv2.contourArea(contour)if area < 200 or area > 200000: # 根据面积过滤无效轮廓continuecv2.drawContours(img_result, [contour], -1, (0, 0, 255), 2) # 绘制轮廓# 8. 显示结果
cv2.imshow("Original Image", img)
cv2.imshow("Filtered Contours", img_result)cv2.waitKey(0)
cv2.destroyAllWindows()
三、实验现象
1、原始图像：
显示未处理的原始图片，包含多个颜色区域。
2、颜色掩膜：
二值图像仅显示识别出的黄色区域，其余部分为黑色背景。
3、滤波和平滑：
- 滤波后噪点减少，目标区域更加连续。
- 开运算消除了孤立的噪声点，保留了主要的目标区域。
4、轮廓绘制：
- 符合面积条件的轮廓被成功绘制，轮廓线为红色。
- 无效的小轮廓被过滤，不影响结果的清晰度。