图像分割和运动物体检测的实现

图像的分割一般是用来把具有相同特性的连续区域依次分割开来，这在视觉处理技术中也是很常用的归类算法之一。

运动物体检测一般在动态图像中较为常用，如果在某一帧锁定了特征物块，那么可以在连续的图像中跟踪特征物块的具体位置，然后输出坐标或者其他量供使用，其在机器视觉上的运用最为广泛，因为其具有锁定目标的功能，有了这个功能机器才具有真正的智能性、灵敏性。

4.4.6.1 颜色

通过图像的颜色信息来了解图像的特征是一个非常有用的思路，不同的颜色代表着不一样的信息，下面来欣赏一下梵高的作品《星空》，如图4.4.20所示。

图4.4.20 梵高的作品《星空》

在SimpleCV视觉处理框架中，单个像素的颜色可以通过getPixel()函数来获取：

from Simple CV import Image

img = Image('starry_night.png')

print img.get Pixel(0, 0)①

① 在显示屏上打印获取图像像素坐标（0，0）的RGB三基色值，在这里也就等于（71.0， 65.0，54.0）。

在颜色表示方式中RGB有一个很大的缺点，它并不能直观地表示亮度值的模型。然而，在视觉处理中亮度是最常见的控制属性，在理论上，亮度与R、G、B之间有一定的关系，然而在实践中，需要很直观地通过亮度来区分不同的特征。

例如，淡黄色和深黄色之间的差异是由蓝色值这个非直观的因素控制的。那么在实践操作中，不能直观地去控制蓝色的比例，解决这个问题的方法是采用HSV颜色坐标系表示，它由色调（H）、饱和度（S）、亮度值（V）一起定义整个图像。这样亮度就有一个值和它相对应。它们之间仅仅通过一个转换就可以完成，因为在RGB空间中的所有颜色都在HSV空间中有对应的独特色彩，反之亦然。这样就很容易完成RGB和HSV颜色空间之间的转换，程序如下：

from Simple CV import Image

img = Image('starry_night.png')

hsv = img.to HSV() ①

print hsv.get Pixel(25,25) ②

rgb = hsv.to RGB() ③

print rgb.get Pixel(25,25)④

① 把图像从RGB颜色空间转换到HSV颜色空间。

② 这一行为打印语句，由于图像被转换到HSV颜色空间，所以将打印像素为（25，25）的HSV值。在这种情况下，这个值为（117.0，178.0，70.0）。

③ 把这个图像转换回RGB颜色空间。

④ 这时候打印出来的则是RGB颜色空间下的值，这里为(21.0，26.0，70.0)。

当操作一个图像对象时，有很多高光和反光处理部分，利用HSV颜色空间处理起来就比较简单。在HSV颜色空间中，镜面反射将具有高亮度值（V）和一个较低的饱和度值（S）的组成部分。而色相（H）成分对于纯色的对象来说，在不同光照下具有相同的值。这对于我们进行图片的分割是很有好处的。

在SimpleCV框架开发中把图形转换为灰度图是最常用的亮度分析方法，一个灰度图形中只有亮度信息，缺少任何颜色分量，它经常被称为黑白图片，但是要理解它与二值化图片有着本质上的区别，二值化处理图片后得到的是黑色和白色两种纯色。相反，灰度图片如果表示一个8位的颜色，那么相当于每一个颜色通道是0～255级分辨率的，分别表示红色、绿色和蓝色。若要建立一个灰度图像则需要获取R、G、B，并将之转换为单色，则对三者加权求平均值：

from Simple CV import Image

img = Image('starry_night.png')

gray = img.grayscale() ①

print gray.get Pixel(0,0)②

① 将图像转换为灰度图像，结果如图4.4.21所示。

② 在屏幕上打印像素（0，0）的灰度值，结果为（66.0，66.0，66.0）。

图4.4.21 灰度图片

请注意，运行程序将返回三个相同数据。在RGB和HSV颜色空间中这将保持一致的格式，都返回三个值。然而，由于灰度级只有一个值，表示亮度，故相同的值被重复三次，以获得针对特定像素的灰度值，而不必将图像转换为灰度图像。

4.4.6.2 颜色分割

上面简单地介绍了分割的概念，它是将图像划分为多个具有相同特性的需要的过程，在这个过程中，相同特征可以转换为一个类，具有相同特征，对其常用颜色来划分。在常见的环境中，特征物体都有一个比较鲜艳的颜色来区分背景色，如跟踪一个红色气球等，在这种情况下，使用颜色差来分割图像，并去除图像的背景，只留下感兴趣的对象。

分割图像这个过程主要是通过对一个图像做颜色减法来实现的。若要理解这一点，首先考虑如何对每个像素做颜色减法。假设像素点（0，0）是紫色，RGB三基色的值为（100，0， 100）。可以采取相同的三基色值（100，0，100），然后用原始三基色减去样本三基色。仔细理解，为什么要这么做。对每个像素做这样的减法操作，如（100，0，100）-（100，0，100）=（0， 0，0）。由于（0，0，0）是黑色的RGB值，这样会得到一个黑色像素点，也就是说具有相同颜色的像素点会转换为黑色，而不同颜色的像素也可以彼此相减。例如，（100，0，100）-（90， 0，10）=（10，0，90），这样得到的就不是一个黑色像素点。

可以利用colorDistance()函数对每个像素进行运算，这个函数中有一个参数，也就是目标颜色。想进一步理解这个过程，可以通过一个例子进行介绍。图4.4.22所示为一个黄色胶枪图片。通过颜色分割处理后的图片如图4.4.23所示。

from Simple CV import Image, Color

yellow Tool = Image(＂yellowtool.png＂)

yellow Dist = yellow Tool.color Distance((223, 191, 29))

yellow Dist Bin = yellow Dist.binarize(50).invert()

yellow Dist Bin.show()

可以观察上面的图片显示为黑色，也可以把这个提取出来的图像还原为黄色，如图4.4.24所示。

图4.4.22 黄色胶枪图片

图4.4.23 通过颜色分割处理后的图片

from Simple CV import Image, Color

yellow Tool = Image(＂yellowtool.png＂)

yellow Dist = yellow Tool.color Distance((223, 191, 29))

yellow Dist Bin = yellow Dist.binarize(50).invert()

only Yellow = yellow Tool - yellow Dist Bin

only Yellow.show()

图4.4.24 还原特征颜色值

4.4.6.3 举例

例程：圆形（球）追踪。

这个例子演示了如何在屏幕上跟踪一个圆形的物体（见图4.4.25），在例子中最重要的一点是，它保持跟踪前模板信息，然后根据当前模板在视频的下一帧中寻找相同的对象。

from Simple CV import Camera, Color, Display

cam = Camera()

disp = Display()

previous_ball_xy = None

previous_ball_size = 100

while disp.is Not Done():

img = cam.get Image()

dist = img.color Distance(Color.BLACK).dilate(2)

segmented = dist.binarize()

blobs = segmented.find Blobs(minsize=2000)

if blobs:

circles = blobs.filter([b.is Circle(0.2) for b in blobs])

if circles:

if previous_ball_xy:

fcircles = circles.filter([c.radius() 〉

(previous_ball_size ＊ 0.5) for c in circles])

distances = [int(c.distance From(previous_ball_xy))

for c in fcircles]

nearest = blobs[distances.index(min(distances))]

img.draw Circle((nearest.x, nearest.y), nearest.radius(),

Color.RED, thickness=4)

previous_ball_xy = (nearest.x, nearest.y)

previous_ball_size = nearest.radius()

else:

previous_ball_xy = (circles[-1].x, circles[-1].y)

previous_ball_size = circles[-1].radius()

else:

img.draw Text(＂No circles found＂)

img.save(disp)

图4.4.25 跟踪圆形物体