Question

我不一定需要源代码，但要查找伪代码或如何处理此问题的想法。我有一个相机指向我的水表，并希望将使用情况记录到数据库中。过去几周我一直在玩OpenCV并且数字检测工作正常。（最后一个数字会产生问题，因为它会无休止地旋转，而不是像前5个那样与数字对齐，所以整个数字在视野中的时间不到一半。）

无论如何，为了获得最佳分辨率，我想跟踪实际的大红针。现在我走了一圈，找到了最红的＆＃34;像素，并用它来计算针的角度。只要灯光合适且相机不动，它就可以工作。

我猜测我可以使用Canny边缘检测技巧...最终我只是想找到最长线的角度？并且针是一种独特的颜色应该有助于消除许多误报，但我如何实际应用过滤器？

（请注意，仪表左下方有一个小红色旋转器，与针头颜色相同。我需要确保不会触发某些东西。）

谢谢！ - 亚当

Answer 1

国庆节快乐，中秋节快乐！O（∩_∩）O哈哈哈〜

新答案：

嗨，今天我对这个问题进行了一些研究，经过多次反复试验，我现在得到了一个很好的解决方案。结果如下。

基本步骤如下：

转换为灰度，阈值，项目到轴，这样我们就可以找到监视区域。
转换为Lab-color-space，因此可以在a通道中轻松区分红色针（暖色）。
规范化a通道，阈值并进行形态学操作，因此我们得到二进制掩码。在这些操作之后，它将用于找到潜在的红色针区域。
在掩码中查找轮廓，按某些属性进行过滤，然后就可以得到它。

1。找到手表区域

# https://i.stack.imgur.com/5oOGL.jpg
imgname = "stkdata/5oOGL.jpg"
img = cv2.imread(imgname)
## Threshold in grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, threshed = cv2.threshold(gray, 180, 255, cv2.THRESH_BINARY )

## Find wathc region by counting the projector
h,w = img.shape[:2]
x = np.sum(threshed, axis=0)
y = np.sum(threshed, axis=1)
yy = np.nonzero(y>(w/5*255))[0]
xx = np.nonzero(x > (h/5*255))[0]
region = img[yy[0]:yy[-1], xx[0]:xx[-1]]
#cv2.imwrite("region.png", region)

2。转换为LAB

## Change to LAB space
lab = cv2.cvtColor(region, cv2.COLOR_BGR2LAB)
l,a,b = cv2.split(lab)
imglab = np.hstack((l,a,b))
cv2.imwrite("region_lab.png", imglab)

在实验室色彩空间中，可以很容易地区分红色针。

3。标准化`a`通道，阈值，并进行形态学操作。

## normalized the a channel to all dynamic range
na = cv2.normalize(a, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8UC1)
cv2.imwrite("region_a_normalized.png", na)

## Threshold to binary
retval, threshed = cv2.threshold(na, thresh = 180,  maxval=255, type=cv2.THRESH_BINARY)

## Do morphology
kernel = cv2.getStructuringElement( cv2.MORPH_ELLIPSE , (3,3))
opened = cv2.morphologyEx(threshed, cv2.MORPH_OPEN,kernel)
res = np.hstack((threshed, opened))
cv2.imwrite("region_a_binary.png", res)

规范化频道：

阈值并进行形态学操作，我们得到一个二元掩码作为右侧。

4。查找轮廓，并按某些属性（例如区域等）过滤它们。

## Find contours
contours = cv2.findContours(opened, mode=cv2.RETR_LIST, method=cv2.CHAIN_APPROX_SIMPLE)[-2]

## Draw Contours
res = region.copy()
cv2.drawContours(res, contours, -1, (255,0,0), 1)
cv2.imwrite("region_contours.png", res)

## Filter Contours
for idx, contour in enumerate(contours):
    bbox = cv2.boundingRect(contour)
    area = bbox[-1]*bbox[-2]
    if area < 100:
        continue
    rot_rect = cv2.minAreaRect(contour)
    (cx,cy), (w,h), rot_angle = rot_rect
    rbox = np.int0(cv2.boxPoints(rot_rect))
    cv2.drawContours(res, [rbox], 0, (0,255,0), 1)
    text="#{}: {:2.3f}".format(idx, rot_angle)
    org=(int(cx)-10,int(cy)-10)
    cv2.putText(res, text=text, org = org, fontFace = 1, fontScale=0.8, color=(0,0,255), thickness = 1, lineType=16)

cv2.imwrite("region_result.png", res)

成立的轮廓：

结果：

我们可以发现，#1轮廓属于红色针，它的角度是-85.601。

（右方向为0°，逆时针为负，顺时针为正）

此处提供了所有Python代码：

#!/usr/bin/python3
# 2017.10.01 22:59:02 CST
# 2017.10.03 23:49:18 CST

import numpy as np
import cv2

# https://i.stack.imgur.com/5oOGL.jpg
imgname = "stkdata/5oOGL.jpg"
img = cv2.imread(imgname)
## Threshold in grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, threshed = cv2.threshold(gray, 180, 255, cv2.THRESH_BINARY )

## Find wathc region by counting the projector
h,w = img.shape[:2]
x = np.sum(threshed, axis=0)
y = np.sum(threshed, axis=1)
yy = np.nonzero(y>(w/5*255))[0]
xx = np.nonzero(x > (h/5*255))[0]
region = img[yy[0]:yy[-1], xx[0]:xx[-1]]
cv2.imwrite("region.png", region)

## Change to LAB space
lab = cv2.cvtColor(region, cv2.COLOR_BGR2LAB)
l,a,b = cv2.split(lab)
imglab = np.hstack((l,a,b))
cv2.imwrite("region_lab.png", imglab)

## normalized the a channel to all dynamic range
na = cv2.normalize(a, None, alpha=0, beta=255, norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_8UC1)
cv2.imwrite("region_a_normalized.png", na)

## Threshold to binary
retval, threshed = cv2.threshold(na, thresh = 180,  maxval=255, type=cv2.THRESH_BINARY)

## Do morphology
kernel = cv2.getStructuringElement( cv2.MORPH_ELLIPSE , (3,3))
opened = cv2.morphologyEx(threshed, cv2.MORPH_OPEN,kernel)
res = np.hstack((threshed, opened))
cv2.imwrite("region_a_binary.png", res)

## Find contours
contours = cv2.findContours(opened, mode=cv2.RETR_LIST, method=cv2.CHAIN_APPROX_SIMPLE)[-2]

## Draw Contours
res = region.copy()
cv2.drawContours(res, contours, -1, (255,0,0), 1)
cv2.imwrite("region_contours.png", res)

## Filter Contours
for idx, contour in enumerate(contours):
    bbox = cv2.boundingRect(contour)
    area = bbox[-1]*bbox[-2]
    if area < 100:
        continue
    rot_rect = cv2.minAreaRect(contour)
    (cx,cy), (w,h), rot_angle = rot_rect
    rbox = np.int0(cv2.boxPoints(rot_rect))
    cv2.drawContours(res, [rbox], 0, (0,255,0), 1)
    text="#{}: {:2.3f}".format(idx, rot_angle)
    org=(int(cx)-10,int(cy)-10)
    #cv2.putText(res, text=text, org = org, fontFace = cv2.FONT_HERSHEY_PLAIN, fontScale=0.7, color=(0,0,255), thickness = 1, lineType=cv2.LINE_AA)
    cv2.putText(res, text=text, org = org, fontFace = 1, fontScale=0.8, color=(0,0,255), thickness = 1, lineType=16)

cv2.imwrite("region_result.png", res)
cv2.imshow("result", res); cv2.waitKey();cv2.destroyAllWindows()

原点答案：

我认为首先你可以提取手表区域，然后在区域内搜索红色针，你可以改变色彩空间。这是我在python中的示例代码。

imgname = "5oOGL.jpg"
# https://i.stack.imgur.com/5oOGL.jpg
img = cv2.imread(imgname)

## Threshold in grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
th, imgbin = cv2.threshold(gray, 180, 255, cv2.THRESH_BINARY )

## Find watch region by projecting and counting
h,w = img.shape[:2]
x = np.sum(imgbin, axis=0)
y = np.sum(imgbin, axis=1)
yy = np.nonzero(y>(w/5*255))[0]
xx = np.nonzero(x > (h/5*255))[0]
region = img[yy[0]:yy[-1], xx[0]:xx[-1]]
cv2.imwrite("region.png", region)
cv2.imshow("region", region); cv2.waitKey(0);# cv2.destroyAllWindows()

## Change to LAB space
lab = cv2.cvtColor(region, cv2.COLOR_BGR2LAB)
l,a,b = cv2.split(lab)
imglab = np.hstack((l,a,b))
cv2.imwrite("imglab.png", imglab)

手表区域

实验室空间中的手表区域。

一些链接：

如何用opencv读取实用仪表针？

1 个答案:

国庆节快乐，中秋节快乐！O（∩_∩）O哈哈哈〜

新答案：

基本步骤如下：

1。找到手表区域

2。转换为LAB

3。标准化`a`通道，阈值，并进行形态学操作。

4。查找轮廓，并按某些属性（例如区域等）过滤它们。

原点答案：

如何用opencv读取实用仪表针？

1 个答案:

国庆节快乐，中秋节快乐！O（∩_∩）O哈哈哈〜

新答案：

基本步骤如下：

1。找到手表区域

2。转换为LAB

3。标准化a通道，阈值，并进行形态学操作。

4。查找轮廓，并按某些属性（例如区域等）过滤它们。

原点答案：

3。标准化`a`通道，阈值，并进行形态学操作。