前言

一周沒有更新博客了，這一周的時間內加強了對機器學習和圖像處理的學習。學的有點混亂，有必要記錄一下。

深度學習可以解決很多問題，但有時候深度學習和圖像處理相結合才能有更好的效果：比如，在進行交通信號燈檢測時，用目標檢測模型確定信號燈位置后，對信號燈進行顏色分割再識別可大大提高準確率。

機器學習領域中有句話：數(shù)據(jù)和特征決定了模型的上限，而算法只不過是逼近這個上限而已，所以了解機器學習的常用算法，熟悉機器學習中的特征工程是很有必要的。

1、什么是HSV

我們知道RGB顏色模式，通過不同的配比可以形成不同的顏色。HSV也是一種顏色模式，其模型如圖所示

通過圖示我們也能夠看到，他和RGB顏色模型相似，也是由三個屬性決定顏色，H、S、V分別是色彩、深度、明暗，按著圖中方向的變化，其對應的顏色也會改變，三者也同樣是有取值范圍的：

• H（色調）：用角度度量，取值范圍為0°～360°
• S（飽和度）：表示顏色接近光譜色的程度。通常取值范圍為0%～100%，值越大，顏色越飽和。
• V（明度）：表示顏色明亮的程度，對于光源色，明度值與發(fā)光體的光亮度有關；對于物體色，此值和物體的透射比或反射比有關。通常取值范圍為0%（黑）到100%（白）。

HSV空間中三個指標相互獨立，能夠非常直觀的表達色彩的明暗，色調，以及鮮艷程度，方便進行顏色之間的對比，所以經(jīng)常在HSV中進行顏色的分割識別。在HSV中各個顏色的范圍見下表

2、代碼實戰(zhàn)

從網(wǎng)上下載了一張交通信號燈的圖片，如圖

我們的目的是進行顏色分割，將我們感興趣的區(qū)域提取出來以方便下一步的操作。

2.1 createTrackbar使用方法及步驟

在開始實際操作之前，來了解一下createTrackbar。createTrackbar是Opencv中的API，其可在顯示圖像的窗口中快速創(chuàng)建一個滑動控件，用于手動調節(jié)閾值，具有非常直觀的效果?？梢灾苯佑^察閾值選擇的效果，并確定想要的閾值。

使用Trackbar我們要了解兩個函數(shù)；

（1）創(chuàng)建滑動條函數(shù) 

一個滑動條只能用于一個參數(shù)，如果需要改變多個參數(shù)，可以使用多個滑動條。

cv2.createTrackbar(trackbarName, windowName, value, count, onChange)

各參數(shù)意義： 

trackbarName：滑動空間的名稱； 

windowName：滑動空間用于依附的圖像窗口的名稱； 

value：初始化閾值； 

count：滑動控件的刻度范圍；最小值默認為0。 

onChange：回調函數(shù)（所謂回調函數(shù)即每次修改滑動條后，需要傳入新變量的函數(shù)）的名稱，其定義如下：

onchange：void foo（int，void*）。

其中第一個參數(shù)是滑動條位置，第二個參數(shù)是用戶數(shù)據(jù)（請參見下一個參數(shù)）。如果回調是空指針，則不調用回調，但只更新值

用戶數(shù)據(jù)：按原樣傳遞給回調的用戶數(shù)據(jù)。它可以用來處理滑動條事件而不使用全局變量。

（2）獲取滑動條的值函數(shù)

cv.getTrackbarPos獲取滑動條位置處的值

g = cv2.getTrackbarPos(trackbarName2, windowName)
#第一個參數(shù)為滑動條1的名稱，第二個參數(shù)為窗口的名稱。

注意：需要在回調函數(shù)內部采用函數(shù)cv.getTrackbarPos獲取滑動條位置處的值，不然如果存在多個滑動條時，函數(shù)無法獲取更新后的參數(shù)值。

2.2 代碼詳解

import cv2
# 滑動條的回調函數(shù)，獲取滑動條位置處的值
def empty(a):
    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)
    return h_min, h_max, s_min, s_max, v_min, v_max
path = 'Resources/11.jpg'
# 創(chuàng)建一個窗口，放置6個滑動條
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)
    imgHSV = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
    # 調用回調函數(shù)，獲取滑動條的值
    h_min,h_max,s_min,s_max,v_min,v_max = empty(0)
    lower = np.array([h_min,s_min,v_min])
    upper = np.array([h_max,s_max,v_max])
    # 獲得指定顏色范圍內的掩碼
    mask = cv2.inRange(imgHSV,lower,upper)
    # 對原圖圖像進行按位與的操作，掩碼區(qū)域保留
    imgResult = cv2.bitwise_and(img,img,mask=mask)
    cv2.imshow("Mask", mask)
    cv2.imshow("Result", imgResult)
    cv2.waitKey(1)

其實在交通信號燈檢測中，我們只需要獲得掩碼（mask圖像）就可以進行識別了。

3、總結

顏色分割在很多場景都可以用到，結合深度學習會有更好的效果。后續(xù)將記錄如何進行字符分割。字符分割的應用場景和思路應用同樣廣泛，更多關于Python OpenCV HSV顏色分割的資料請關注腳本之家其它相關文章！