Определение порога цвета: почему маска имеет решающее значение в соответствии с указанными пределами?

Question

Мы хотим применить цветовой порог к изображению RGB:

Когда мы указываем нижний предел как [0, 0, 0] и верхний предел как [255, 255, 255], результат будетследующим образом:

И, когда нижний предел равен [1, 1, 1], а верхний предел равен [255, 255, 255], результат будет следующим:

Почему разница в один пиксель делает такое резкое изменение маскировки?

Код:

lower_blue = np.array([0,0,0]) 
upper_blue = np.array([255,255,255])
mask = cv2.inRange(image_copy, lower_blue, upper_blue)
plt.imshow(mask,cmap='gray')

Answer 1

Ваша главная «проблема» - это функция imshow в Matplotlib.

В первом случае вы просто маскируете ВСЕ пиксели изображения, чтобы все пиксели в maskимеют значение 255. При использовании imshow без каких-либо параметров на таких изображениях применяется автоматическое масштабирование цвета, так что соответствующий график установлен на 0 для всех пикселей, поскольку все пиксели имеют одинаковое значение. Если вы явно задали vmin и vmax (см. Связанную страницу документации) в вызове imshow, вы видите ожидаемый полностью белый график.

Незначительные изменения во втором случае вызывают появление некоторых пикселей в mask будет 0, так что даже стандартный вызов imshow произведет «правильное» цветовое масштабирование, поскольку пиксели в mask охватывают весь «диапазон» [0 ... 255], поскольку существуют только значения пикселей0 и 255.

Теперь, чтобы обнаружить синий фон: в вашем случае синий фон имеет фиксированное значение RGB, поэтому при использовании OpenCV inRange сстандартное изображение BGR может быть уместным. В целом, для маскировки цвета преобразование изображения в цветовое пространство HSV / HSL является более сложным - с моей точки зрения. Для краткого введения, выбирая правильные значения H, S, L, см. этот ответ Я сделал на более ранний вопрос.

Я сделал некоторый код длявышеупомянутые сравнения и для фактического обнаружения синего фона:

import cv2
import numpy as np
import matplotlib.pyplot as plt

image = cv2.imread('8au0O.jpg')

lower_blue = np.array([0, 0, 0])
upper_blue = np.array([255, 255, 255])
mask_lb000 = cv2.inRange(image, lower_blue, upper_blue)

plt.figure()
plt.subplot(2, 3, 1)
plt.imshow(mask_lb000, cmap='gray')
plt.title('imshow without explicit vmin, vmax')
plt.subplot(2, 3, 4)
plt.imshow(mask_lb000, cmap='gray', vmin=0, vmax=255)
plt.title('imshow with explicit vmin, vmax')

lower_blue = np.array([1, 1, 1])
upper_blue = np.array([255, 255, 255])
mask_lb111 = cv2.inRange(image, lower_blue, upper_blue)

plt.subplot(2, 3, 2)
plt.imshow(mask_lb111, cmap='gray')
plt.title('imshow without explicit vmin, vmax')
plt.subplot(2, 3, 5)
plt.imshow(mask_lb111, cmap='gray', vmin=0, vmax=255)
plt.title('imshow with explicit vmin, vmax')

# Detect blue-ish areas in HSL converted image
# H value must be appropriate (see HSL color space), e.g. within [200 ... 260]
# L value can be arbitrary (we want everything between bright and dark blue), e.g. within [0.0 ... 1.0]
# S value must be above some threshold (we want at least some saturation), e.g. within [0.35 ... 1.0]
lower_blue = np.array([np.round(200 / 2), np.round(0.00 * 255), np.round(0.35 * 255)])
upper_blue = np.array([np.round(260 / 2), np.round(1.00 * 255), np.round(1.00 * 255)])
mask_lb = cv2.inRange(cv2.cvtColor(image, cv2.COLOR_BGR2HSV), lower_blue, upper_blue)

plt.subplot(2, 3, 3)
plt.imshow(mask_lb, cmap='gray')
plt.title('imshow without explicit vmin, vmax')
plt.subplot(2, 3, 6)
plt.imshow(mask_lb, cmap='gray', vmin=0, vmax=255)
plt.title('imshow with explicit vmin, vmax')

plt.show()

Это сгенерированный вывод:

Надеюсь, это поможет!