关于提高计算机视觉识别红色准确度的方法

王全胜

摘要：颜色是物体的一种重要特征，人们可以依据颜色对物体进行分类、判断等。颜色识别很大程度上改变着人们的工作方式。使用计算机对颜色进行识别，可以极大地提高工作效率，降低工作成本。本文就opencv中使用HSV模型对红色识别过程中存在的识别不准确、不全面的情况进行了分析并提出解决方法，并在实践中加以验证。

关键词：opencv;颜色识别;红色;hsv python

中图分类号：TP18      文献标识码：A

文章编号：1009-3044（2021）25-0112-02

计算机视觉是使用计算机的摄像设备采集图像并进行识别，并从图像中获取信息的人工智能系统。简单的说，就是不但让计算机学会看，还让他知道看到了什么。以人看到的图像为例，我们可以从中辨认出形状、颜色、大小、亮度、色彩等。让计算机辨认出特定的颜色，就是颜色识别。颜色是物体的一种重要特征，人们可以依据颜色对物体进行分类、判断等。利用颜色特征，人们在很多行业的应用中获得了便利。比如，在快递行业，依据不同的颜色对流水线上的物品进行分拣;在农业，利用颜色识别判断果蔬的成熟程度、對异常作物进行定位、药物喷洒和进行田间杂草和作物的区分（智能除草）;在公共安全方面，对火焰颜色的识别。大到卫星遥感监控山火，小到仓库火灾预警，颜色识别很大程度上改变着人们的工作方式。使用计算机对颜色进行识别，可以极大地提高工作效率，降低工作成本。视觉识别技术目前在工业检测、生物医学、X射线图像增强、遥感图像分析和空间技术等方面具有广泛的应用价值。

1 颜色识别的方法

颜色识别主要有两种方法，一种利用颜色模型识别，另一种采用训练分类器的方法识别，第一种方法稳定性并不高，经常调节白平衡，即Gamma值，来适应色温的变化，第二种方法也会受到未分类的特殊情况的影响，根据具体应用情况，择优选择。彩色图像的颜色模型有很多种形式，RGB、YUV、HSV、CMYK等，其中在图像处理以RGB最为直观理解且显示器系统采用就是此类模型，而HSV更符合人眼的颜色分辨，通常在HSV颜色空间下进行颜色识别。HSV分别指色相、饱和度、亮度。色相就是“是什么颜色”，饱和度就是颜色有多浓，亮度就是图像的明暗程度。

以HSV模型为例，它将颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1。它包含RGB模型中的R=1，G=1，B=1 三个面，所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于角度0°，绿色对应于角度120°，蓝色对应于角度240°。

识别颜色的算法是读取照片像素点的颜色，转换成HSV模型中的值，看它是否在要识别的颜色区间内。把在此颜色区间内的点的集合作为掩模，与原照片按位进行与运算，就得出了要寻找的颜色区域。举个例子。我们要识别蓝色的范围，就把像素点转换成HSV模型。对照图一，看是否H（色相）在100至124之间，S（饱和度）是否在43至255之间，V（亮度）是否在46至255之间。如果同时满足这三个条件，我们就认为这个像素点是蓝色。这比较好理解。在实际的识别中，根据光线不同，这三个值会有稍许偏差。

2 识别红色的特殊之处

在使用无人机机载摄像头对色块进行识别、判断形状的过程中我们发现红色的识别成功率明显小于其他颜色。通过抓取掩模我们看到，本应是红色的区域掩模没有完全覆盖。通过图一的表我们可以看到红色的范围并不是连续的范围。它的H分布在0至10以及156至180。这两个范围的颜色都是红色，因为其分布在HSV模型中不连续，所以我们在给定颜色区间时只能给定其中一个。

3 掩模的抓取

我们使用python的opencv来做了实验。首先，我们选择了一张有色彩渐变的图片作为实验素材。

如图2，我们选择了一张联想的彩色羽毛壁纸作为素材。将0至10范围内的红色掩模（图3）和156至180范围内的红色掩模（图4）进行了对比。

如图4所示，两组掩码并不重合，但对应在图2上的区域都是红色。只要将两块区域合并再与图二做按位与操作，就能得到图二中的红色区域。

4 算法

有了想法，我们用python写了一段代码来实现。代码中使用了opencv和numpy。

import cv2

import numpy as np

def color_area（img， colors， thresholds）：

"""

Args：

img：经过滤波的BGR图像

colors（list）：需要分割的颜色

thresholds（dict）：颜色的阈值

Returns：

mask（dict）：{"颜色"（str）：掩膜（二值图）}

"""

masks = {}

img_hsv=cv2.cvtColor（img， cv2.COLOR_BGR2HSV）    #将图像转换成HSV模型

for color in colors：

low = thresholds[color][0]

high = thresholds[color][1]

mask = cv2.inRange（img_hsv，low，high）

s = np.sum（mask）  # 判断掩膜是否全黑（没有对应颜色）

if s == 0 ：

mask = None

masks[color] = mask