利用OpenCV根據(jù)圖片識別環(huán)境的亮度

一、前言

在當(dāng)代數(shù)字化轉(zhuǎn)型的浪潮中，計算機視覺技術(shù)無疑占據(jù)了舉足輕重的地位，其應(yīng)用范圍之廣，影響力之深，已成為推動社會進步的關(guān)鍵力量之一。而OpenCV，作為計算機視覺領(lǐng)域的佼佼者，憑借其卓越的性能與廣泛的兼容性，為開發(fā)者提供了強大的工具集，助力其實現(xiàn)復(fù)雜視覺任務(wù)的高效處理。

環(huán)境亮度識別，實質(zhì)上是一項要求計算機系統(tǒng)能夠精準(zhǔn)分析并量化圖像中光照強度的技術(shù)。要求計算機能夠理解并量化人類視覺系統(tǒng)對光線變化的感知，進而做出相應(yīng)的判斷和反應(yīng)。無論是智能照明系統(tǒng)中的自動調(diào)光，還是自動駕駛汽車在復(fù)雜光照條件下的安全導(dǎo)航，亦或是安防監(jiān)控中對異常光源的即時警報，這一技術(shù)都扮演著至關(guān)重要的角色。它不僅提高了自動化系統(tǒng)的效率和可靠性，還極大地豐富了人機交互的方式，讓機器能夠更加“善解人意”。

例如，在智能家居系統(tǒng)中，自動調(diào)節(jié)室內(nèi)光線以適應(yīng)不同的活動需求或節(jié)能目的；在智能交通系統(tǒng)中，動態(tài)調(diào)整道路照明以應(yīng)對天氣變化和車流量波動；在增強現(xiàn)實領(lǐng)域，實時調(diào)整虛擬內(nèi)容的顯示效果以匹配真實世界的光照條件，這些都是環(huán)境亮度識別技術(shù)需要用到的地方。。

OpenCV，作為一款開源的計算機視覺庫，因其強大的功能和廣泛的適用性，成為了實現(xiàn)環(huán)境亮度識別的理想工具。OpenCV不僅提供了豐富的圖像處理函數(shù)，還支持多種圖像分析算法，這使得開發(fā)者能夠輕松地從圖像中提取亮度信息，并將其轉(zhuǎn)化為可操作的數(shù)據(jù)。通過加載一張圖片，利用OpenCV的圖像處理能力，可以計算出圖片中亮度的分布情況，進而得到一個反映環(huán)境亮度水平的百分比值。

本文章介紹如何利用OpenCV加載一張圖片，運用OpenCV庫內(nèi)置的圖像處理技術(shù)，識別并計算圖片中的亮度百分比。

二、OpenCV開發(fā)環(huán)境安裝

【1】OpenCV庫下載（官網(wǎng)）

OpenCV是開源的計算機視覺、機器學(xué)習(xí)軟件庫，其圖片處理的功能非常強大，并且速度很快。 作為目標(biāo)檢測功能，OpenCV里本身就自帶了很多的模型，比如: 人眼檢測、鼻子檢測、嘴巴檢測、人臉檢測、人體檢測、貓臉檢測等等，下載完OpenCV，就能直接進行圖像識別測試體驗，并且OpenCV也可以直接調(diào)用YOLO的模型，精確識別各種物體，yolo v3 里自帶的模型文件可以精確識別常見的很多物體: 比如： 狗、汽車、自行車、人體、書本、手機等等。

OpenCV下載地址：https://opencv.org/releases/page/3/

目前最新的版本是4.3，那么就下載最新的版本。

下載下來是一個exe文件，雙擊就可以安裝，實際就是解壓，可以選擇解壓的路徑，解壓出來的文件包含源文件、庫文件一大堆，比較大，可以直接放在一個固定的目錄，后面程序里直接填路徑來調(diào)用即可。 這個下載下來的庫文件里只包含了X64的庫，適用于MSVS 64位編譯器。

解壓完成。

解壓后在build目錄下看到有VC14和VC15的目錄。這表示什么含義呢？

OpenCV VC14和VC15的區(qū)別在于它們所使用的編譯器版本不同。VC14使用的是Visual Studio 2015的編譯器,而VC15使用的是Visual Studio 2017的編譯器。這意味著VC15可以利用更先進的編譯器技術(shù),從而提高代碼的性能和效率。此外,VC15還支持更多的C++11和C++14特性,使得開發(fā)更加方便和靈活。

解釋說明：

VC11，Visual Studio 2012編譯器

VC14，Visual Studio 2015編譯器

VC15，Visual Studio 2017編譯器

- VC11構(gòu)建需要安裝Visual Studio 2012 x86或x64的Visual C ++ Redistributable

- VC14構(gòu)建需要安裝Visual Studio 2015 x86或x64的Visual C ++ Redistributable

- VC15構(gòu)建需要安裝Visual Studio 2017 x64或x86的Visual C ++ Redistributable

在bin目錄下的運行庫需要拷貝到生成的應(yīng)用程序目錄下。

【2】MinGw編譯器

如果想要使用MinGw編譯器編譯，可以從這里 https://github.com/huihut/OpenCV-MinGW-Build 下載對應(yīng)的OpenCV庫進行使用。
GitHub的地址在CodeChina有鏡像，可以從這里去下載，速度比較快：gitcode.net/mirrors/hui…
打開鏈接后，自己去選擇適合自己編譯器的版本，我的MinGW是730剛好就使用下面這個版本。

下面分別介紹VS2017 64位編譯器和MinGW 32位編譯器如何引用OpenCV的庫。

（1）MSVC 64位編譯器–QT的xx.pro工程文件里的寫法

INCLUDEPATH += C:/opencv/build/include
INCLUDEPATH += C:/opencv/build/include/opencv
INCLUDEPATH += C:/opencv/build/include/opencv2

LIBS += -LC:/opencv/build/x64/vc14/lib
          -lopencv_world347d
LIBS += -LC:/opencv/build/x64/vc14/lib
          -lopencv_world347

（2）MinGW 32位編譯器–QT的xx.pro工程文件里的寫法

INCLUDEPATH+=C:/OpenCV-MinGW-Build-OpenCV-3.4.7/include 
             C:/OpenCV-MinGW-Build-OpenCV-3.4.7/include/opencv 
             C:/OpenCV-MinGW-Build-OpenCV-3.4.7/include/opencv2
LIBS+=C:/OpenCV-MinGW-Build-OpenCV-3.4.7/x86/mingw/bin/libopencv_*.dll

工程編程成功之后，需要將OpenCV對應(yīng)的dll文件拷貝到exe同級目錄，否則運行時找不到dll會導(dǎo)致程序異常結(jié)束。 這些dll文件就是在OpenCV的bin目錄下。

OpenCV自帶的模型文件在 C:opencvsourcesdatahaarcascades_cuda 這個目錄下。

這個就是人臉檢測模型文件:

三、實現(xiàn)代碼

3.1 識別亮度（C++）

開發(fā)環(huán)境：在Windows下安裝一個VS即可。我當(dāng)前采用的版本是VS2020。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

// 計算亮度百分比的函數(shù)
double calculateBrightnessPercentage(Mat image) {
    // 將圖像轉(zhuǎn)換為灰度圖
    Mat grayImage;
    cvtColor(image, grayImage, COLOR_BGR2GRAY);

    // 計算總像素數(shù)
    int totalPixels = grayImage.rows * grayImage.cols;

    // 計算亮度較高的像素數(shù)（假設(shè)亮度閾值為200）
    int brightPixels = 0;
    for (int i = 0; i < grayImage.rows; ++i) {
        for (int j = 0; j < grayImage.cols; ++j) {
            if (grayImage.at<uchar>(i, j) > 200) { // 可根據(jù)需要調(diào)整閾值
                brightPixels++;
            }
        }
    }

    // 計算亮度百分比
    double percentage = (static_cast<double>(brightPixels) / totalPixels) * 100.0;
    return percentage;
}

int main() {
    // 加載圖像
    Mat image = imread("path_to_your_image.jpg");
    
    if (image.empty()) {
        cout << "無法打開或找到圖像" << endl;
        return -1;
    }

    // 計算亮度百分比
    double brightnessPercentage = calculateBrightnessPercentage(image);

    // 輸出亮度百分比
    cout << "亮度百分比: " << brightnessPercentage << "%" << endl;

    return 0;
}

（1）頭文件和命名空間：包括必要的OpenCV頭文件 (opencv2/opencv.hpp)，使用 cv 和 std 命名空間以便于調(diào)用。

（2）calculateBrightnessPercentage 函數(shù)：

• 使用 cvtColor 將輸入圖像轉(zhuǎn)換為灰度圖。
• 計算圖像中總像素數(shù)。
• 統(tǒng)計像素灰度值高于設(shè)定閾值（本例中為200）的像素數(shù)。
• 計算亮度百分比，即高亮像素數(shù)占總像素數(shù)的百分比。

（3）main 函數(shù)：

• 使用 imread 從指定路徑加載圖像。
• 檢查圖像是否成功加載。
• 調(diào)用 calculateBrightnessPercentage 函數(shù)計算圖像的亮度百分比。
• 輸出計算得到的亮度百分比。

3.2 識別亮度（Python）

以下是使用Python和OpenCV計算圖像亮度百分比的代碼示例：

import cv2
import numpy as np

# 計算亮度百分比的函數(shù)
def calculate_brightness_percentage(image):
    # 轉(zhuǎn)換為灰度圖像
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 計算總像素數(shù)
    total_pixels = gray_image.shape[0] * gray_image.shape[1]

    # 計算亮度較高的像素數(shù)（假設(shè)亮度閾值為200）
    bright_pixels = np.sum(gray_image > 200)  # 可根據(jù)需要調(diào)整閾值

    # 計算亮度百分比
    percentage = (bright_pixels / total_pixels) * 100.0
    return percentage

def main():
    # 加載圖像
    image = cv2.imread('path_to_your_image.jpg')

    if image is None:
        print("無法打開或找到圖像")
        return

    # 計算亮度百分比
    brightness_percentage = calculate_brightness_percentage(image)

    # 輸出亮度百分比
    print(f"亮度百分比: {brightness_percentage}%")

if __name__ == "__main__":
    main()

（1）函數(shù) calculate_brightness_percentage：

• 使用 cv2.cvtColor 將輸入圖像轉(zhuǎn)換為灰度圖。
• 計算圖像中總像素數(shù)。
• 使用 NumPy 條件判斷 gray_image > 200 來統(tǒng)計亮度較高的像素數(shù)（可以根據(jù)需要調(diào)整閾值 200）。
• 計算亮度百分比，即高亮像素數(shù)占總像素數(shù)的百分比。

（2）main 函數(shù)：

• 使用 cv2.imread 從指定路徑加載圖像。
• 檢查圖像是否成功加載。
• 調(diào)用 calculate_brightness_percentage 函數(shù)計算圖像的亮度百分比。
• 輸出計算得到的亮度百分比。

3.3 顏色分類識別（C++）

開發(fā)環(huán)境：在Windows下安裝一個VS即可。我當(dāng)前采用的版本是VS2020。

下面是使用OpenCV（C++）加載一張圖片，并識別出黑、白、紅、橙、黃、綠、青、藍、紫等顏色的占比的完整代碼示例：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

// 定義顏色的閾值范圍（HSV顏色空間）
const int MIN_H_RED = 0;
const int MAX_H_RED = 10;
const int MIN_H_ORANGE = 11;
const int MAX_H_ORANGE = 25;
const int MIN_H_YELLOW = 26;
const int MAX_H_YELLOW = 34;
const int MIN_H_GREEN = 35;
const int MAX_H_GREEN = 85;
const int MIN_H_CYAN = 86;
const int MAX_H_CYAN = 105;
const int MIN_H_BLUE = 106;
const int MAX_H_BLUE = 130;
const int MIN_H_PURPLE = 131;
const int MAX_H_PURPLE = 160;

// 計算顏色比例的函數(shù)
void calculate_color_percentages(Mat image) {
    Mat hsvImage;
    cvtColor(image, hsvImage, COLOR_BGR2HSV);

    // 初始化顏色像素統(tǒng)計變量
    int totalPixels = hsvImage.rows * hsvImage.cols;
    int blackPixels = 0, whitePixels = 0;
    int redPixels = 0, orangePixels = 0, yellowPixels = 0;
    int greenPixels = 0, cyanPixels = 0, bluePixels = 0, purplePixels = 0;

    // 遍歷圖像像素
    for (int i = 0; i < hsvImage.rows; ++i) {
        for (int j = 0; j < hsvImage.cols; ++j) {
            Vec3b pixel = hsvImage.at<Vec3b>(i, j);
            int hue = pixel[0]; // 色調(diào)

            // 根據(jù)色調(diào)范圍判斷顏色
            if (hue >= MIN_H_RED && hue <= MAX_H_RED) {
                redPixels++;
            } else if (hue >= MIN_H_ORANGE && hue <= MAX_H_ORANGE) {
                orangePixels++;
            } else if (hue >= MIN_H_YELLOW && hue <= MAX_H_YELLOW) {
                yellowPixels++;
            } else if (hue >= MIN_H_GREEN && hue <= MAX_H_GREEN) {
                greenPixels++;
            } else if (hue >= MIN_H_CYAN && hue <= MAX_H_CYAN) {
                cyanPixels++;
            } else if (hue >= MIN_H_BLUE && hue <= MAX_H_BLUE) {
                bluePixels++;
            } else if ((hue >= 0 && hue < MIN_H_RED) || (hue > MAX_H_PURPLE && hue <= 179)) {
                purplePixels++;
            }
        }
    }

    // 計算顏色百分比
    double percentageBlack = (static_cast<double>(blackPixels) / totalPixels) * 100.0;
    double percentageWhite = (static_cast<double>(whitePixels) / totalPixels) * 100.0;
    double percentageRed = (static_cast<double>(redPixels) / totalPixels) * 100.0;
    double percentageOrange = (static_cast<double>(orangePixels) / totalPixels) * 100.0;
    double percentageYellow = (static_cast<double>(yellowPixels) / totalPixels) * 100.0;
    double percentageGreen = (static_cast<double>(greenPixels) / totalPixels) * 100.0;
    double percentageCyan = (static_cast<double>(cyanPixels) / totalPixels) * 100.0;
    double percentageBlue = (static_cast<double>(bluePixels) / totalPixels) * 100.0;
    double percentagePurple = (static_cast<double>(purplePixels) / totalPixels) * 100.0;

    // 輸出顏色百分比
    cout << "黑色百分比: " << percentageBlack << "%" << endl;
    cout << "白色百分比: " << percentageWhite << "%" << endl;
    cout << "紅色百分比: " << percentageRed << "%" << endl;
    cout << "橙色百分比: " << percentageOrange << "%" << endl;
    cout << "黃色百分比: " << percentageYellow << "%" << endl;
    cout << "綠色百分比: " << percentageGreen << "%" << endl;
    cout << "青色百分比: " << percentageCyan << "%" << endl;
    cout << "藍色百分比: " << percentageBlue << "%" << endl;
    cout << "紫色百分比: " << percentagePurple << "%" << endl;
}

int main() {
    // 加載圖像
    Mat image = imread("path_to_your_image.jpg");

    if (image.empty()) {
        cout << "無法打開或找到圖像" << endl;
        return -1;
    }

    // 計算顏色比例
    calculate_color_percentages(image);

    return 0;
}

3.4 顏色分類識別（python）

以下是相應(yīng)的Python版本代碼，用于加載圖像并計算黑、白、紅、橙、黃、綠、青、藍、紫顏色的占比：

import cv2
import numpy as np

# 定義顏色的閾值范圍（HSV顏色空間）
COLOR_THRESHOLDS = {
    'black': ([0, 0, 0], [180, 255, 30]),     # 黑色
    'white': ([0, 0, 231], [180, 18, 255]),   # 白色
    'red': ([0, 43, 46], [10, 255, 255]),     # 紅色
    'orange': ([11, 43, 46], [25, 255, 255]), # 橙色
    'yellow': ([26, 43, 46], [34, 255, 255]), # 黃色
    'green': ([35, 43, 46], [85, 255, 255]),  # 綠色
    'cyan': ([86, 43, 46], [105, 255, 255]),  # 青色
    'blue': ([106, 43, 46], [130, 255, 255]), # 藍色
    'purple': ([131, 43, 46], [160, 255, 255]) # 紫色
}

# 計算顏色比例的函數(shù)
def calculate_color_percentages(image):
    hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

    # 初始化顏色像素統(tǒng)計變量
    total_pixels = hsv_image.shape[0] * hsv_image.shape[1]
    color_percentages = {}

    # 遍歷顏色閾值范圍
    for color_name, (lower, upper) in COLOR_THRESHOLDS.items():
        lower_np = np.array(lower, dtype=np.uint8)
        upper_np = np.array(upper, dtype=np.uint8)

        # 根據(jù)顏色閾值創(chuàng)建掩碼
        mask = cv2.inRange(hsv_image, lower_np, upper_np)

        # 計算掩碼中白色像素的數(shù)量
        num_pixels = cv2.countNonZero(mask)

        # 計算百分比
        percentage = (num_pixels / total_pixels) * 100.0
        color_percentages[color_name] = percentage

    return color_percentages

if __name__ == "__main__":
    # 加載圖像
    image_path = 'path_to_your_image.jpg'
    image = cv2.imread(image_path)

    if image is None:
        print(f"無法打開或找到圖像：{image_path}")
    else:
        # 計算顏色比例
        percentages = calculate_color_percentages(image)

        # 輸出顏色百分比
        for color, percentage in percentages.items():
            print(f"{color}百分比: {percentage:.2f}%")

（1）顏色定義和閾值范圍：

• 使用HSV顏色空間來識別顏色，定義了各種顏色的HSV閾值范圍。
• 每個顏色都有一個對應(yīng)的最小和最大HSV值。

（2）calculate_color_percentages 函數(shù)：

• 使用 cv2.cvtColor 將圖像從BGR色彩空間轉(zhuǎn)換為HSV色彩空間。
• 初始化顏色百分比的字典。
• 針對每種顏色的HSV閾值范圍，使用 cv2.inRange 創(chuàng)建顏色掩碼。
• 使用 cv2.countNonZero 計算掩碼中非零像素的數(shù)量，即符合顏色條件的像素數(shù)量。
• 計算每種顏色在圖像中的百分比。

（3）main 函數(shù)：

• 加載指定路徑的圖像。
• 檢查圖像是否成功加載。
• 調(diào)用 calculate_color_percentages 函數(shù)計算并輸出圖像中各種顏色的百分比。