# 基于LockAI视觉识别模块：C++寻找色块

在传统计算机视觉场景中，颜色识别是目标检测和分割的重要手段之一。通过识别特定颜色的色块，可以在相对纯净的背景下快速定位目标区域。本实验提供了一个简单的色块识别案例，并将其封装为一个自定义函数 find_blobs，方便快速移植和使用。

源代码地址：https://gitee.com/LockzhinerAI/LockzhinerVisionModule/tree/master/Cpp_example/C01_find_blobs

1. 基本知识讲解

1.1 色块识别的重要性

颜色特征提取：颜色是一种重要的视觉特征，尤其在背景较为单一的情况下，能够快速区分目标区域。

应用场景：广泛应用于机器人导航、工业自动化、物体跟踪等领域。

HSV 颜色空间：相比于 RGB 颜色空间，HSV 更适合用于颜色识别，因为它可以将颜色信息（Hue）、饱和度（Saturation）和亮度（Value）分离，便于设置阈值。

1.2 色块识别的流程

获取图像。

将图像从 BGR 转换为 HSV 颜色空间。

创建二值掩码，筛选出符合颜色范围的像素。

使用形态学操作清除噪声。

查找轮廓并筛选符合条件的色块。

计算外接矩形和中心点。

绘制结果并输出。

---

2. API文档

2.1 头文件

#include

2.2 生成掩码

cv::inRange(src,lowerb,upperb,dst);

参数说明：

src：输入图像，可以是单通道或三通道的图像。

lowerb：颜色下界，是一个Scalar对象，表示要查找的颜色的下限。

upperb：颜色上界，是一个Scalar对象，表示要查找的颜色的上限。

dst：输出图像，是一个单通道的8位无符号整数图像，表示生成的掩码。

返回值：

无

2.3 创建形态学操作所需的结构元素核

cv::getStructuringElement(shape,ksize,anchor);

参数说明：

shape：核形状，可以是RECT、CROSS、ELLIPSE等。

ksize：核大小，是一个Size对象，表示核的宽度和高度。

anchor：锚点，是一个Point对象，表示核的锚点位置。

返回值：

返回一个核，是一个Mat对象。

2.4 形态学操作：清除噪声

cv::morphologyEx(src,dst,op,kernel,anchor,iterations,borderType,borderValue);

参数说明：

src：输入图像，可以是单通道或三通道的图像。

dst：输出图像，是一个单通道的8位无符号整数图像，表示生成的掩码。

op：操作类型，可以是OPEN、CLOSE、GRADIENT、TOPHAT、BLACKHAT等。

kernel：核，是一个Mat对象，表示形态学操作的核。

anchor：锚点，是一个Point对象，表示核的锚点位置。

iterations：迭代次数，是一个整数，表示形态学操作的迭代次数。

borderType：边界类型，可以是BORDER_CONSTANT、BORDER_REPLICATE、BORDER_REFLECT、BORDER_WRAP、BORDER_REFLECT_101等。

borderValue：边界值，是一个Scalar对象，表示边界区域的值。

返回值：

无

2.5 查找轮廓

cv::findContours(image,contours,hierarchy,mode,method,offset);

参数说明：

image：输入图像，可以是单通道或三通道的图像。

contours：输出参数，是一个vector>对象，表示轮廓的集合。

hierarchy：输出参数，是一个vector对象，表示轮廓的层级关系。

mode：轮廓发现模式，可以是RETR_EXTERNAL、RETR_LIST、RETR_CCOMP、RETR_TREE等。

method：轮廓 approximation 方法，可以是CHAIN_APPROX_NONE、CHAIN_APPROX_SIMPLE、CHAIN_APPROX_TC89_L1、CHAIN_APPROX_TC89_KCOS等。

offset：轮廓偏移量，是一个Point对象，表示轮廓的偏移量。

返回值：

返回一个整数，表示轮廓的数量。

2.6 获取轮廓的外接矩形

cv::boundingRect(points);

参数说明：

points：输入参数，是一个vector对象，表示轮廓的点集合。

返回值：

返回一个Rect对象，表示轮廓的外接矩形。

2.7 计算矩阵矩

cv::moments(array,binaryImage);

参数说明：

array：输入参数，是一个Mat对象，表示输入的矩阵。

binaryImage：输入参数，是一个布尔值，表示是否将输入的矩阵转换为二值矩阵。

返回值：

返回一个 Moments对象，表示矩阵的矩。

2.8 绘制矩形框

cv::rectangle(img,pt1,pt2,color,thickness,lineType,shift);

参数说明：

img：输入参数，是一个Mat对象，表示输入的图像。

pt1：输入参数，是一个Point对象，表示矩形的左上角点。

pt2：输入参数，是一个Point对象，表示矩形的右下角点。

color：输入参数，是一个Scalar对象，表示矩形的颜色。

thickness：输入参数，是一个整数，表示矩形的线宽。

lineType：输入参数，是一个整数，表示矩形的线类型。

shift：输入参数，是一个整数，表示坐标的精度。

返回值：

无

2.9 绘制圆

cv::circle(img,center,radius,color,thickness,lineType,shift);

参数说明：

img：输入参数，是一个Mat对象，表示输入的图像。

center：输入参数，是一个Point对象，表示圆心。

radius：输入参数，是一个整数，表示圆的半径。

color：输入参数，是一个Scalar对象，表示圆的颜色。

thickness：输入参数，是一个整数，表示圆的线宽。

lineType：输入参数，是一个整数，表示圆的线类型。

shift：输入参数，是一个整数，表示坐标的精度。

返回值：

无

---

3. 综合代码介绍

3.1 流程图

3.2 核心代码解析

BGR转HSV

cv::cvtColor(image,hsv_image,cv::COLOR_BGR2HSV);

阈值分割

cv::inRange(hsv_image,lower_bound,upper_bound,mask););

形态学处理

cv::Matkernel=cv::getStructuringElement(cv::MORPH_RECT,cv::Size(kernel_size,kernel_size));
cv::morphologyEx(mask,mask,cv::MORPH_OPEN,kernel);

查找轮廓

cv::findContours(mask,contours,cv::RETR_EXTERNAL,cv::CHAIN_APPROX_SIMPLE);

自定义函数参数如下所示

std::vector<std::vector<cv::Point>>find_blobs(
constcv::Mat&image,
constcv::Scalar&lower_bound,
constcv::Scalar&upper_bound,
intmin_area=100,
intkernel_size=5);

参数说明：

image：输入参数，是一个Mat对象，表示输入的图像。

lower_bound：输入参数，是一个Scalar对象，表示颜色下界。

upper_bound：输入参数，是一个Scalar对象，表示颜色上界。

min_area：输入参数，是一个整数，表示最小面积。

kernel_size：输入参数，是一个整数，表示核大小。

返回值：

返回一个vector>对象，表示找到的色块的点集合。

3.3 完整代码实现

#include
#include
#include
#include

std::vector<std::vector<cv::Point>>find_blobs(
constcv::Mat&image,
constcv::Scalar&lower_bound,
constcv::Scalar&upper_bound,
intmin_area=100,
intkernel_size=5)
{

// 转换为 HSV 颜色空间
cv::Mathsv_image;
cv::cvtColor(image,hsv_image,cv::COLOR_BGR2HSV);

// 创建二值掩码
cv::Matmask;
cv::inRange(hsv_image,lower_bound,upper_bound,mask);

// 形态学操作：清除噪声
cv::Matkernel=cv::getStructuringElement(cv::MORPH_RECT,cv::Size(kernel_size,kernel_size));
cv::morphologyEx(mask,mask,cv::MORPH_OPEN,kernel);

// 查找轮廓
std::vector<std::vector<cv::Point>>contours;
cv::findContours(mask,contours,cv::RETR_EXTERNAL,cv::CHAIN_APPROX_SIMPLE);

// 筛选符合条件的色块
std::vector<std::vector<cv::Point>>filtered_contours;
for(constauto&contour:contours)
{
cv::Rectbounding_rect=cv::boundingRect(contour);
if(bounding_rect.area()>=min_area)
{
filtered_contours.push_back(contour);
}
}
returnfiltered_contours;
}

intmain()
{
lockzhiner_vision_module::Editedit;
if(!edit.StartAndAcceptConnection())
{
std::cerr<<"Error: Failed to start and accept connection."<<std::endl;
returnEXIT_FAILURE;
}
std::cout<<"Device connected successfully."<<std::endl;

cv::VideoCapturecap;
intwidth=640; // 设置摄像头分辨率宽度
intheight=480;// 设置摄像头分辨率高度
cap.set(cv::CAP_PROP_FRAME_WIDTH,width);
cap.set(cv::CAP_PROP_FRAME_HEIGHT,height);

// 打开摄像头设备
cap.open(0);// 参数 0 表示默认摄像头设备
if(!cap.isOpened())
{
std::cerr<<"Error: Could not open camera."<<std::endl;
returnEXIT_FAILURE;
}
while(true)
{
cv::Matimage;// 存储每一帧图像
cap>>image; // 获取新的一帧

// 定义颜色阈值（例如红色）
cv::Scalarlower_red(170,100,100);// 红色下界
cv::Scalarupper_red(179,255,255);// 红色上界

// 调用 find_blobs 函数
intmin_area=100; // 最小面积阈值
intkernel_size=1;// 形态学操作核大小
std::vector<std::vector<cv::Point>>blobs=find_blobs(image,lower_red,upper_red,min_area,kernel_size);

// 绘制和打印检测到的色块
for(constauto&contour:blobs)
{
// 计算外接矩形框
cv::Rectbounding_rect=cv::boundingRect(contour);

// 绘制矩形框
cv::rectangle(image,bounding_rect,cv::Scalar(0,255,0),2);

// 计算中心点
cv::Momentsmoments=cv::moments(contour);
intcx=moments.m10/moments.m00;
intcy=moments.m01/moments.m00;

// 绘制中心点
cv::circle(image,cv::Point(cx,cy),5,cv::Scalar(0,0,255),-1);

// 打印信息
std::cout<<"Blob detected at ("<<cx<<", "<<cy<<") with area "<<bounding_rect.area()<<std::endl;
}
edit.Print(image);
}
return0;
}

---

4. 编译过程

4.1 编译环境搭建

请确保你已经按照开发环境搭建指南正确配置了开发环境。

同时以正确连接开发板。

4.2 Cmake介绍

# CMake最低版本要求
cmake_minimum_required(VERSION3.10)

project(test-find-blobs)

set(CMAKE_CXX_STANDARD17)
set(CMAKE_CXX_STANDARD_REQUIRED ON)

# 定义项目根目录路径
set(PROJECT_ROOT_PATH"${CMAKE_CURRENT_SOURCE_DIR}/../..")
message("PROJECT_ROOT_PATH = "${PROJECT_ROOT_PATH})

include("${PROJECT_ROOT_PATH}/toolchains/arm-rockchip830-linux-uclibcgnueabihf.toolchain.cmake")

# 定义 OpenCV SDK 路径
set(OpenCV_ROOT_PATH"${PROJECT_ROOT_PATH}/third_party/opencv-mobile-4.10.0-lockzhiner-vision-module")
set(OpenCV_DIR"${OpenCV_ROOT_PATH}/lib/cmake/opencv4")
find_package(OpenCV REQUIRED)
set(OPENCV_LIBRARIES"${OpenCV_LIBS}")
# 定义 LockzhinerVisionModule SDK 路径
set(LockzhinerVisionModule_ROOT_PATH"${PROJECT_ROOT_PATH}/third_party/lockzhiner_vision_module_sdk")
set(LockzhinerVisionModule_DIR"${LockzhinerVisionModule_ROOT_PATH}/lib/cmake/lockzhiner_vision_module")
find_package(LockzhinerVisionModule REQUIRED)

# 基本图像处理示例
add_executable(Test-find-blobs find_blobs.cc)
target_include_directories(Test-find-blobs PRIVATE${LOCKZHINER_VISION_MODULE_INCLUDE_DIRS})
target_link_libraries(Test-find-blobs PRIVATE${OPENCV_LIBRARIES}${LOCKZHINER_VISION_MODULE_LIBRARIES})

install(
TARGETS Test-find-blobs
RUNTIME DESTINATION .
)

4.3 编译项目

使用 Docker Destop 打开 LockzhinerVisionModule 容器并执行以下命令来编译项目

# 进入Demo所在目录
cd/LockzhinerVisionModuleWorkSpace/LockzhinerVisionModule/Cpp_example/C01_find_blobs
# 创建编译目录
rm-rfbuild &&mkdirbuild &&cdbuild
# 配置交叉编译工具链
exportTOOLCHAIN_ROOT_PATH="/LockzhinerVisionModuleWorkSpace/arm-rockchip830-linux-uclibcgnueabihf"
# 使用cmake配置项目
cmake ..
# 执行编译项目
make-j8&&makeinstall

在执行完上述命令后，会在build目录下生成可执行文件。

---

5. 例程运行示例

5.1 运行过程

chmod777Test-find-blobs
./Test-find-blobs

5.2 运行效果

6. 总结

通过上述内容，我们详细介绍了色块识别的流程及相关 API 的使用方法，包括：

生成掩码：筛选符合颜色范围的像素。

形态学操作：清除噪声。

查找轮廓：获取目标区域的轮廓。

筛选与绘制：筛选符合条件的色块并绘制外接矩形和中心点。