真的！只需 “六步” 实现图像特定物体识别！！！( 二 ) _图片

下面是获取HSV图片的函数，传入原始图片数据，返回HSV图片数据。
def get_hsv_image(original_image):"""获取hsv色彩空间图片1) 先将BGR色彩转化为HSV色彩"""hsv_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2HSV)# 将BGR色彩转化为HSV色彩cv2.imshow("HSV Image", hsv_image)print(hsv_image.shape)return hsv_image
HSV图片
3、获取二值化图片
对于RGB或者HSV图片，每个像素点的值由0-255的数值组成，而在选取某个区域时，需要标识出感兴趣的区域，与不感兴趣的区域，这是一个典型的非1即0问题。而二值化图像就具有该特征，即每个像素点的值只能是0或者255，对应的颜色就只有黑色与白色，如下图，光伏组件是白色区域，其他的背景是黑色区域。
具体实现：先设定一个HSV的阀值，二值化的核心原理就是利用阀值作为分隔条件，如大于阀值为0（黑色）小于阀值为255（白色）。可以使用窗口动态调节阀值，通过实时观测二值化分割效果来确定阀值（通过窗口动态获取阀值的方法可以参考《滑动块动态获取二值化阀值》），这里我们初步选取的阀值如下：
lower = np.array([44, 57, 130])upper = np.array([120, 191, 249])mask_image = get_mask_image(hsv_image, lower, upper)# 获取二值化图像通过HSV的高低阈值，提取图像部分区域

文章插图
下面函数用来对HSV图片进行二值化，函数传入HSV图片与最低阀值和最高阀值，返回的结果为二值化图片，一个数值由0或255构成二维数组（见打印结果）

def get_mask_image(hsv_image, lower, upper):"""获取二值化图片1）通过阀值获取二值化图像"""mask_image = cv2.inRange(hsv_image, lower, upper)# 获取二值化图片cv2.imshow("Mask Image", mask_image)print(mask_image)print(mask_image.shape)return mask_image

二值化图片
4、对图片进行形态学处理
通过二值化处理之后的图片，可以明显的区分光伏组件串，但是存在一个问题：即光伏组件串直接的缝隙被分开了，我们希望能去掉缝隙将组件串作为一个整体识别出来，而这就需要用到图像形态学处理。
形态学处理一般包括两个操作"腐蚀”与"膨胀"，其目的是为了改变物体的形状，通过字面意思也很好理解，腐蚀就是”变瘦”，膨胀就是”变胖” 。
下面的函数进行形态学处理，函数传入二值化图片，返回处理过后的图片。

def get_morphology_image(mask_image):"""对二值化图像进行形态学处理-消除噪音影响1) 先进行膨胀处理膨胀就是使用算法，来将图像的边缘扩大些 。作用就是将目标的边缘或者是内部的坑填掉,去掉较小的孔洞2) 再进行腐蚀处理腐蚀：腐蚀会把物体的边界腐蚀掉，主要应用在去除白噪声，也可以断开连在一起的物体"""kernel = np.ones((5, 5), np.uint8)dialationIamge = cv2.dilate(mask_image, kernel, iterations=1)# 膨胀处理eroded_iamge = cv2.erode(dialationIamge, kernel, iterations=1)# 腐蚀处理cv2.imshow("Eroded Iamge ", eroded_iamge)# 显示形态学处理过后的图片return eroded_iamge

进过形态学处理过后的效果，相比原来二值化图片，处理后的光伏组件串之间的间隙消除了。
5、获取组件串轮廓区域
通过上面5个步骤的处理，终于得到了一张背景为黑色，目标物体为白色的图片，接下来就需要将图片中白色区域轮廓识别出来，代码如下函数，传入一个形态学处理过后的二值化图片，返回所有的组件轮廓，代码含义可见注释。