testColorAndShape.py

# 步骤1-读取输入图片；
# 步骤2-对输入图片执行裁剪操作；
# 步骤3-执行高斯模糊操作，进行图像去噪；
# 步骤4-执行图像灰度化操作；
# 步骤5-执行颜色空间变换，将RGB空间转换为LAB空间；
# 步骤6-执行二值化操作；
# 步骤7-遍历每一个轮廓，进行颜色和形状检测；
# 步骤8-绘制并显示结果。

# coding=utf-8
# python detect_color.py --image example_shapes.png

# 导入一些python包
from shapedetector import ShapeDetector
from colorlabeler import ColorLabeler
import argparse
import imutils
import cv2

# # 设置并解析参数
# ap = argparse.ArgumentParser()
# ap.add_argument("-i", "--image", required=True, help="path to the input image")
# args = vars(ap.parse_args())

# 读取图片
# image = cv2.imread(args["image"])
image = cv2.imread('shapeandcolor.png')
# 进行裁剪操作
resized = imutils.resize(image, width=300)
ratio = image.shape[0] / float(resized.shape[0])
# 进行高斯模糊操作
blurred = cv2.GaussianBlur(resized, (5, 5), 0)
# 进行图片灰度化
gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
# 进行颜色空间的变换
lab = cv2.cvtColor(blurred, cv2.COLOR_BGR2LAB)
# 进行阈值分割
thresh = cv2.threshold(gray, 60, 255, cv2.THRESH_BINARY)[1]
cv2.imshow("Thresh", thresh)
# 在二值图片中寻找轮廓
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

# 初始化形状检测器和颜色标签
sd = ShapeDetector()
cl = ColorLabeler()

# 遍历每一个轮廓
for c in cnts:
	# 计算每一个轮廓的中心点
	M = cv2.moments(c)
	cX = int((M["m10"] / M["m00"]) * ratio)
	cY = int((M["m01"] / M["m00"]) * ratio)

	# 进行颜色检测和形状检测
	shape = sd.detect(c)
	color = cl.label(lab, c)

	# 进行坐标变换
	c = c.astype("float")
	c *= ratio
	c = c.astype("int")
	text = "{} {}".format(color, shape)
	# 绘制轮廓并显示结果
	cv2.drawContours(image, [c], -1, (0, 255, 0), 2)
	cv2.putText(image, text, (cX, cY), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)

	cv2.imshow("Image", image)
	cv2.waitKey(0)