用策略设计模式比较颜色 - sumpig/OpenCV GitHub Wiki

假设我们要构建一个简单的算法，用来识别图像中具有某种颜色的所有像素。这个算法必须输入一幅图像和一个颜色，并且返回一个二值图像，显示具有指定颜色的像素。在运行算法前，还要指定一个参数，即能接受的颜色的公差。

实现

这个算法的核心过程非常简单，只是对每个像素进行循环扫描，把它的颜色和目标颜色做比较。可以这样写这个循环：

// 取得迭代器
cv::Mat_<cv::Vec3b>::const_iterator it = image.begin<cv::Vec3b>();
cv::Mat_<cv::Vec3b>::const_iterator itend = image.end<cv::Vec3b>();
cv::Mat_<uchar>::iterator itout = result.begin<uchar>();

for ( ; it!=itend; ++it, ++itout) {
    // 比较与目标颜色的差距
    if(getDistanceToTargetColor(*it) <= maxDist) 
        *itout = 255;
    else
        *itout = 0;
    }
}

cv::Mat 类型的变量 image 表示输入图像，result 表示输出的二值图像。

在每个迭代步骤中计算当前像素的颜色与目标颜色的差距，检查它是否在公差（maxDist）范围之内。如果是，就在输出图像中赋值255（白色），否则就赋值0（黑色）。

为了增加灵活性，我们依据 getColorDistance 方法来编写 getDistanceToTargetColor 方法：

// 计算与目标颜色的差距
int getDistanceToTargetColor(const cv::Vec3b& color) const {

    return getColorDistance(color, target);
}

// 计算两个颜色之间的城区距离
int getColorDistance(const cv::Vec3b& color1, const cv::Vec3b& color2) const {

    return abs(color1[0] - color2[0])+
           abs(color1[1] - color2[1])+
           abs(color1[2] - color2[2]);
}

现在来定义处理方法。用户提供一个输入图像，图像扫描完成后即返回结果：

cv::Mat ColorDetector::process(const cv::Mat &image) {

    // 必要时重新分配二值映像
    // 与输入图像的尺寸相同，不过是单通道
    result.create(image.size(),CV_8U);

    // 在这里放前面的处理循环
    ...

    return result;
}

扩展

计算两个颜色向量间的距离

OpenCV 中也有计算向量的欧几里得范数的函数，因此也可以这样计算距离：

static_cast<int>(cv::norm<int,3>(
    cv::Vec3i(color[0]-target[0],
              color[1]-target[1],
              color[2]-target[2])));

使用OpenCV 函数

检测颜色的方法还可以这样写：

cv::Mat ColorDetector::process(const cv::Mat &image) {

    cv::Mat output;

    // 计算与目标颜色的距离的绝对值
    cv::absdiff(image, cv::Scalar(target), output);

    // 把通道分割进 3 幅图像
    std::vector<cv::Mat> images;
    cv::split(output, images);

    // 3 个通道相加（这里可能出现饱和的情况）
    output = images[0]+images[1]+images[2];

    // 应用阈值
    cv::threshold(output, // 相同的输入/输出图像
                  output,
                  maxDist, // 阈值（必须<256）
                  255, // 最大值
                  cv::THRESH_BINARY_INV); // 阈值化模式

    return output;
}

该方法使用了 absdiff 函数计算图像的像素与标量值之间差距的绝对值。该函数的第二个参数也可以不用标量值，而是改用另一幅图像，这样就可以逐个像素地计算差距。因此两幅图像的尺寸必须相同。

用cv::threshold 函数创建一个二值图像。这个函数通常用于将所有像素与某个阈值（第三个参数）进行比较，并且在常规阈值化模式（cv::THRESH_BINARY）下，将所有大于指定阈值的像素赋值为预定的最大值（第四个参数），将其他像素赋值为0。

这里使用相反的模式（cv::THRESH_BINARY_INV）把小于或等于阈值的像素赋值为预定的最大值。此外还有cv::THRESH_TOZERO 和cv::THRESH_TOZERO_INV 模式，它们使大于或小于阈值的像素保持不变。

floodFill 函数

cv::floodFill 函数在判断一个像素时，还要检查附近像素的状态，这是为了识别某种颜色的相关区域。用户只需指定一个起始位置和允许的误差，就可以找出颜色接近的连续区域。

例如要从图中提取出蓝天，可以执行以下语句：

cv::floodFill(image, // 输入/输出图像
              cv::Point(100, 50), // 起始点
              cv::Scalar(255, 255, 255), // 填充颜色
              (cv::Rect*)0, // 填充区域的边界矩形
              cv::Scalar(35, 35, 35), // 偏差的最小/最大阈值
              cv::Scalar(35, 35, 35), // 正差阈值，两个阈值通常相等
              cv::FLOODFILL_FIXED_RANGE); // 与起始点像素比较

图像中亚像素(100, 50)所处的位置是天空。函数会检查所有的相邻像素，颜色接近的像素会被重绘成第三个参数指定的新颜色。为了判断颜色是否接近，需要分别定义比参考色更高或更低的值作为阈值。这里使用固定范围模式，即所有像素都与亚像素的颜色进行对比，默认模式是将每个像素与和它邻近的像素进行对比。

这种算法重绘了一个独立的连续区域（这里是把天空画成白色）。即使其他地方有颜色接近的像素（例如水面），除非它们与天空相连，否则也不会被识别出来。

⚠️ **GitHub.com Fallback** ⚠️