如何使用python查找图像中圆的平均RGB值?
我正试图帮助一位同事,他使用一种非常古老的比色技术来测量细胞死亡。为了简化问题,这里有一个示意图: 这被称为96孔板。我需要找到所有的井并返回每个井的RGB值。粉红色表示所有细胞都是活的,蓝色表示没有细胞是活的。他们有一个计算公式。现在我一直在处理这张图像,到目前为止,我可以用这段代码检测所有油井:如何使用python查找图像中圆的平均RGB值?,python,opencv,image-processing,Python,Opencv,Image Processing,我正试图帮助一位同事,他使用一种非常古老的比色技术来测量细胞死亡。为了简化问题,这里有一个示意图: 这被称为96孔板。我需要找到所有的井并返回每个井的RGB值。粉红色表示所有细胞都是活的,蓝色表示没有细胞是活的。他们有一个计算公式。现在我一直在处理这张图像,到目前为止,我可以用这段代码检测所有油井: import cv2 import numpy as np # Read image. img = cv2.imread('images/placaTeoricaCompleta_resu
import cv2
import numpy as np
# Read image.
img = cv2.imread('images/placaTeoricaCompleta_result.jpg')
# Convert to grayscale.
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Blur using 3 * 3 kernel.
gray_blurred = cv2.blur(gray, (3, 3))
# Apply Hough transform on the blurred image.
detected_circles = cv2.HoughCircles(gray_blurred,
cv2.HOUGH_GRADIENT, 1.2, 20, param1 = 50,
param2 = 30, minRadius = 30, maxRadius = 50)
# Draw circles that are detected.
if detected_circles is not None:
# Convert the circle parameters a, b and r to integers.
detected_circles = np.uint16(np.around(detected_circles))
for pt in detected_circles[0, :]:
a, b, r = pt[0], pt[1], pt[2]
# Draw the circumference of the circle.
cv2.circle(img, (a, b), r, (0, 255, 0), 2)
# Draw a small circle (of radius 1) to show the center.
cv2.circle(img, (a, b), 1, (0, 0, 255), 3)
cv2.imshow("Detected Circle", img)
cv2.waitKey(0)
但是我找不到一种方法来返回每个井的RGB值
真实图像的外观如下所示:
如何返回每个圆的RGB值?这最好是从A到H和从1到12的顺序,或者在圆圈中写入RGB值。您可以为每个圆圈生成一个遮罩,然后获得颜色通道的平均值。以下代码仅用于一个圆,但您可以将其放入for循环中:
x,y,r=检测到\u个圆[0]。aType(np.int32)
roi=图像[y-r:y+r,x-r:x+r]
#生成掩码
宽度、高度=投资回报率。形状[:2]
mask=np.zero((宽度、高度、3),roi.dtype)
cv2.圆(遮罩,(整数(宽度/2),整数(高度/2)),r,(255,255,255),-1)
dst=cv2.按位_和(roi,掩码)
#过滤黑色并获取颜色值
数据=[]
对于范围(3)中的i:
信道=dst[:,:,i]
索引=np。其中(通道!=0)[0]
颜色=np.平均值(通道[指数])
data.append(int(颜色))
#opencv图像采用bgr格式
蓝色、绿色、红色=数据(110、74、49)
图像中的文本为rgb格式。如果每个圆都有质心,可以平均质心处及其附近的rgb值,以获得良好的颜色测量值。我建议使用不同的颜色空间,因为R、G、,数字图像中物体颜色的B和B分量都与照射到物体上的光量相关,因此,根据这些分量的图像描述彼此之间的关系使得物体识别困难。色调/明度/色度或色调/明度/饱和度方面的描述通常更相关。这是当你想检测数字图像中的颜色时,比如你发布的第二张图像你看过了吗