Вот потенциальный подход:
- Преобразование изображения в HSV
- Поиск верхних / нижних цветовых границ и создание маски
- Поиск контуров и фильтра по номерувершин
Мы конвертируем изображение в HSV, а затем определяем нижнюю и верхнюю границы для создания маски, используя cv2.inRange()
.Этот шаг изолирует желтые объекты
image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
lower = np.array([0, 208, 94], dtype="uint8")
upper = np.array([179, 255, 232], dtype="uint8")
mask = cv2.inRange(image, lower, upper)
Далее, чтобы определить форму, мы находим контуры и фильтруем, используя количество вершин.Мы используем cv2.arcLength()
и cv2.approxPolyDP()
, чтобы получить список вершин и приблизительных контуров.Мы можем проверить количество записей в этом списке, чтобы определить форму объекта.Например, если контур имеет три вершины, он должен быть треугольником.Точно так же, если у этого есть четыре вершины, это должен быть квадрат.Таким образом, для этого изображения мы можем сделать предположение, что форма является кругом, если у нее больше определенного числа вершин.Вот результат
import numpy as np
import cv2
image = cv2.imread('1.png')
original = image.copy()
image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
lower = np.array([0, 208, 94], dtype="uint8")
upper = np.array([179, 255, 232], dtype="uint8")
mask = cv2.inRange(image, lower, upper)
# Find contours
cnts = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# Extract contours depending on OpenCV version
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
# Iterate through contours and filter by the number of vertices
for c in cnts:
perimeter = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.04 * perimeter, True)
if len(approx) > 5:
cv2.drawContours(original, [c], -1, (36, 255, 12), -1)
cv2.imshow('mask', mask)
cv2.imshow('original', original)
cv2.imwrite('mask.png', mask)
cv2.imwrite('original.png', original)
cv2.waitKey()