（持续更新中）opencv树莓派4B 入门系列笔记6~10 完整工程源码

# 这行指定了文件的编码格式为utf-8 # coding=utf-8 import cv2 import numpy as np # 使用cv2.imread函数读取指定路径下的图片文件。第二个参数1表示读取彩色图像（BGR格式） img = cv2.imread('/home/raspberry4B/Pictures/MD.jpg', 1) # 使用cv2.resize函数调整图像大小。这里，目标宽度和高度被设置为(0,0)，表示将按照给定的缩放因子fx和fy来缩放图像。 # fx=0.2和fy=0.2表示图像在水平和垂直方向上都将缩小到原来的20%。 #img = cv2.resize(img, (0,0), fx=0.2, fy=0.2) # 将图像从BGR色彩空间转换为HSV色彩空间。HSV色彩空间更适用于颜色范围检测，因为它基于色调(H)、饱和度(S)和亮度(V)。 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 定义一个NumPy数组，表示HSV色彩空间中颜色的下界。这里的数值代表色调、饱和度和亮度的最小值。 lower_range = np.array([101, 100, 100], dtype=np.uint8) # 定义一个NumPy数组，表示HSV色彩空间中颜色的上界。这里的数值代表色调、饱和度和亮度的最大值。 upper_range = np.array([121, 255, 255], dtype=np.uint8) # 使用cv2.inRange函数根据指定的HSV颜色范围创建一个掩码图像。该掩码图像中，属于指定颜色范围的像素值为255（白色），其他像素值为0（黑色）。 mask = cv2.inRange(hsv, lower_range, upper_range) # 计算掩膜覆盖的像素 num_pixels = np.sum(mask == 255) # 或者 np.count_nonzero(mask) print(f"Number of pixels in the mask: {num_pixels}") # 使用OpenCV的findContours函数找到轮廓 通过寻找掩膜中所有非零像素的边界，您可以得到这些像素在图像中的位置。 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 假设我们只关心最大的轮廓（即最大的物体） if contours: c = max(contours, key=cv2.contourArea) x, y, w, h = cv2.boundingRect(c) print(f"Bounding box of the object: ({x}, {y}), ({w}, {h})") # 计算掩膜中物体的质心 质心是物体所有像素的加权平均位置 M = cv2.moments(contours[0]) if contours else None if M != None: cX = int(M["m10"] / M["m00"]) cY = int(M["m01"] / M["m00"]) print(f"Centroid of the object: ({cX}, {cY})") # 计算掩膜中物体的面积 这可以通过计算掩膜中非零像素的数量来实现 area = cv2.contourArea(contours[0]) if contours else 0 print(f"Area of the object: {area}") # 使用cv2.imshow函数显示掩码图像，窗口标题为'mask'。 cv2.imshow('mask',mask) # 使用cv2.imshow函数显示原始图像（经过缩放和色彩空间转换后），窗口标题为'image'。 cv2.imshow('image', img) while(1): #等待用户按键，按下‘q’就释放资源退出程序 key=cv2.waitKey(1) if key&0XFF==ord('q'): break cv2.destroyAllWindows()