形状识别标签类-LAB空间

#实现颜色识别与标记
#实现原理：LAB颜色空间与欧几里得距离

from scipy.spatial import distance as dist
from collections import OrderedDict
import numpy as np
import cv2

class ColorLabeler:
    def __init__(self):
        #初始化颜色词典
        colors = OrderedDict({
            "红色":(255, 0, 0),
            "绿色":(0, 255, 0),
            "蓝色":(0, 0, 255),
            "黑色":(0, 0, 0),
            "白色":(255, 255, 255) })

        #初始化属性（变量）
        #为lab图像分配空间
        #为颜色分配列表
        self.lab = np.zeros((len(colors), 1, 3), dtype="uint8")
        self.colorName =[]

        #枚举，以词典长度为循环次数-->更新数字阵列与色名列表
        #将rgb值赋予lab空间
        #将name变量的值一次次加入列表中（此处name还未分配值）
        for(i, (name, rgb)) in enumerate(colors.items()):
            self.lab[i] = rgb
            self.colorName.append(name)

        #颜色空间转换
        self.lab = cv2.cvtColor(self.lab,cv2.COLOR_RGB2LAB)
# 为什么选择LAB空间？-->其中与欧几里得距离的关系帮助我们标记颜色

# 将选择最小化欧几里德距离的已知颜色作为颜色标识。
    def label(self, image, c):
        #标志mask，绘制轮廓 shape属性用来查看图像结构，返回行和列
        mask = np.zeros(image.shape[:2], dtype="uint8")
        cv2.drawContours(mask, [c], -1, 255, -1)
        mask = cv2.erode(mask, None, iterations=2)#腐蚀
        mean = cv2.mean(image, mask=mask)[:3]#均值

        #初始化最小距离
        minDist = (np.inf, None)#np.inf表示无穷大的正数

        # 遍历已知的LAB颜色值
        for (i, row) in enumerate(self.lab):
            # 计算当前l*a*b*颜色值与图像平均值之间的距离
            d = dist.euclidean(row[0], mean)

            # 如果当前的距离小于最小的距离，则进行变量更新
            if d < minDist[0]:
                minDist = (d, i)

        # 返回最小距离对应的颜色值
        return self.colorNames[minDist[1]]

 效果图：