Одна из возможностей - перейти к HSV colourspace и искать красные тона.Красные труднее найти, потому что они колеблются в пределах 0 и 360 градусов на колесе Оттенок / Насыщенность / Значение, поэтому я переверну изображение и поищу голубой, в котором красный цвет будет отображаться на перевернутом изображении.
#!/usr/bin/env python3
import numpy as np
import cv2
# Load the image as BGR
im = cv2.imread('strip.jpg')
# Invert image, i.e. 255-im, to make reds into cyan and convert to HSV
hsv = cv2.cvtColor(255-im, cv2.COLOR_BGR2HSV)
# Set low and high limit for the tones we want to identify - based on Hue of cyan=90 in OpenCV
lo = np.uint8([80,30,0])
hi = np.uint8([95,255,255])
# Mask all red pixels
mask = cv2.inRange(hsv,lo,hi)
# Save mask for fun
cv2.imwrite('result1.png',mask)
Это дает следующее:
Продолжая работать с кодом, мы теперь применяем эту маску к исходному изображению, чтобы затемнить неинтересные пиксели:
# Zero out to black all uninteresting pixels in original image
im[mask<255] = 0
cv2.imwrite('result2.png',im)
# Reshape as a tall column of R, G, B values and find unique rows, i.e. unique colours
unique = np.unique(im.reshape(-1,3), axis=0)
print(unique)
Это дает около 700 триплетов RGB.Продолжая, возьмите уникальные цвета и напишите изображение, чтобы мы могли их видеть:
# This line is a hack based solely on the current image just for illustration
cv2.imwrite('unique.png',unique[:625,:].reshape((25,25,3)))