一種基于opencv的分辨檢測圓形，三角形，矩形的思路

一種基于opencv的分辨圓形，三角形，矩形的思路

上篇文章給大家講了基于openmv的思路，這篇文章大致講講如何用opencv來做，
我事先查了一下，我這個方法不知道有多少人早就用過了，（可能是因為當時我也是瘋狂查出來的，已經記憶模糊了）他們講的比我詳細多了，我就簡單說說思路，

我的思路是：色塊識別+輪廓提取+角點檢測

1. 色塊識別：

色塊識別是很基礎的一個操作了，也比較簡單，直接看代碼：

    lower_red_1 = np.array([0, 80, 128]) #先找出HSV色彩空間紅綠藍三種顏色的大致范圍，紅色有兩個是因為hsv空間中，色相h最上面和最下面都是紅色，可以看下面這張圖你就懂了，
    upper_red_1 = np.array([6, 255, 255])
    lower_red_2 = np.array([170, 110, 128])
    upper_red_2 = np.array([180, 255, 255])
    lower_green = np.array([35, 80, 80])
    upper_green = np.array([77, 255, 255])
    lower_blue = np.array([90, 110, 110])
    upper_blue = np.array([124, 255, 255])

    hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV) #frame就是輸入的影像
    
    red_mask_1 = cv.inRange(hsv,lower_red_1,upper_red_1) #將影像二值化，在lower和upper之間的顏色變為白色，其他全為黑色
    red_mask_2 = cv.inRange(hsv,lower_red_2,upper_red_2)
    red_mask = cv.bitwise_or(red_mask_1, red_mask_2) #兩種紅色統一
    green_mask = cv.inRange(hsv, lower_green, upper_green)
    blue_mask = cv.inRange(hsv, lower_blue, upper_blue)  

上面這一段不懂的話可以看看這篇文章，這位博主講得很好（侵刪）

    red_res = cv.bitwise_or(frame, frame, mask = red_mask) #或運算，將彩色影像中紅色部分選中，忽略其余顏色
    green_res = cv.bitwise_and(frame, frame, mask = green_mask)
    blue_res = cv.bitwise_and(frame, frame, mask = blue_mask)

    red_gray = cv.cvtColor(red_res, cv.COLOR_BGR2GRAY) #轉灰度圖
    green_gray = cv.cvtColor(green_res, cv.COLOR_BGR2GRAY)
    blue_gray = cv.cvtColor(blue_res, cv.COLOR_BGR2GRAY)

    final_gray = cv.bitwise_or(red_res, green_res) #將選出的紅色，藍色，綠色都集成起來
    final_gray = cv.bitwise_or(final_gray, blue_res)
    final_gray = cv.cvtColor(final_gray,cv.COLOR_BGR2GRAY) #得到最終的灰度圖，就是下一步輪廓提取的輸入

2. 輪廓提取
輪廓提取的話，opencv有自己的API，好用的很，

    __, contours,hierarchy = cv.findContours(final_gray, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
#這個地方要注意一下，這個函式根據版本不同，回傳的值可能有兩個或者三個，如果opencv版本比較新，就只有后面兩個回傳值，如果比較舊（我代碼是在樹莓派上跑的，所以比較舊），就有三個回傳值，不過我們只用到countours這個回傳值就行，
    for cnt in range(len(contours)): #對檢測到的每個輪廓遍歷
        p = cv.arcLength(contours[cnt],True) #p是Perimeter周長的意思，當時偷懶了
        area = cv.contourArea(contours[cnt]) #area是該輪廓的像素面積

3. 角點檢測
原理我也沒啥好說的，畢竟這也不是計算機視覺原理專欄，呼叫api就完事了，

    for cnt in range(len(contours)):
        p = cv.arcLength(contours[cnt],True)
        area = cv.contourArea(contours[cnt])

        if area > 2500:
            mm = cv.moments(contours[cnt]) #計算影像輪廓中的中心矩，原理見代碼后鏈接
            if mm['m00'] != 0: #如果算出了中心距（感覺這里應該用try,except，當時寫的不嚴謹）
                cx = int(mm['m10'] / mm['m00']) #歸一化計算得出輪廓中心的橫縱坐標
                cy = int(mm['m01'] / mm['m00'])
            else:
                continue
            epsilon = 0.04 * cv.arcLength(contours[cnt], True) #多邊形擬合的距離引數，下一個函式要用到，原理見代碼后鏈接
            approx = cv.approxPolyDP(contours[cnt], epsilon, True)  #輪廓近似，將圓潤曲線折線化，以此得到該影像的角點坐標，
            corners = len(approx) #得到角點數量
            if corners == 3: #三個角點的就是三角形
                shapes['triangle'] = shapes['triangle'] + 1
                shapeLenth = p/3 #得到三角形邊長
            elif corners == 4: #四個角點就是矩形
                shapes['rectangle'] = shapes['rectangle'] + 1
                shapeLenth = p/4 #得到正方形邊長
            else: #圓有好多角點
                shapes['circles'] = shapes['circles'] + 1
                pi = 3.1415926
                rad = p/(2*pi) #得到圓周長
                

解釋中心距（侵刪）概率論的知識了
解釋多邊形擬合（侵刪）
解釋角點檢測原理（侵刪）這兩篇文章都講的很清楚，一看就明白了，知道原理 然后拿來用就行，

??
??效果圖不小心被刪了，也懶得再去找樹莓派重跑了，有需要的可以自己拿去跑了試試，根據角點檢測的原理，五邊形，六邊形，七邊形等多邊形都可以識別出來，但是可能會和圓搞混，調一調epsilon 這個引數就行，
??
????????有問題可以評論區交流