Python OpenCV: 识别图像中的黑色矩形

本文介绍如何使用Python OpenCV库识别图像中的黑色矩形，并获取其坐标信息。

识别黑色矩形的步骤：

1. 将图像转换为HSV颜色空间： OpenCV的cv2.cvtColor()函数可以将BGR图像转换为HSV颜色空间。
2. 根据黑色的HSV范围进行颜色过滤： 通过cv2.inRange()函数，根据定义的HSV范围创建掩码，将图像中符合范围的颜色保留，其余部分变为黑色。
3. 寻找轮廓： 使用cv2.findContours()函数寻找掩码图像中的轮廓。
4. 按轮廓面积排序： 使用sorted()函数将轮廓按面积大小排序，以便获取第二大的轮廓。
5. 获取第二大轮廓的外接矩形： 使用cv2.boundingRect()函数获取第二大轮廓的外接矩形，并获取其坐标信息。
6. 绘制矩形： 使用cv2.rectangle()函数在原始图像上绘制第二大矩形。

代码示例：

import cv2
import numpy as np

frame = cv2.imread('image.jpg')

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)  # 将帧转换为HSV颜色空间

# 定义黑色的HSV范围
lower_black = np.array([0, 0, 0])
upper_black = np.array([180, 255, 30])

mask = cv2.inRange(hsv, lower_black, upper_black)  # 根据HSV范围进行颜色过滤

contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 寻找轮廓
contours = sorted(contours, key=cv2.contourArea, reverse=True)  # 按轮廓面积排序

if len(contours) > 1:
    second_largest_contour = contours[1]  # 获取第二大的轮廓
    x, y, w, h = cv2.boundingRect(second_largest_contour)  # 获取轮廓的外接矩形

    x1, y1 = x, y
    x2, y2 = x + w, y
    x3, y3 = x + w, y + h
    x4, y4 = x, y + h

    x_center = (x1 + x2) / 2
    y_center = (y1 + y3) / 2

    cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 在原始图像上绘制第二大矩形

    cv2.imshow('Second Largest Rectangle', frame)  # 显示带有矩形的图像
    print(f'x1: {x1}, y1: {y1}')
    print(f'x2: {x2}, y2: {y2}')
    print(f'x3: {x3}, y3: {y3}')
    print(f'x4: {x4}, y4: {y4}')

cv2.waitKey(0)
cv2.destroyAllWindows()

注意：

• 黑色的HSV范围[0, 0, 0]到[180, 255, 30]只是一个示例，您可能需要根据实际情况调整这些值以更好地适应您的图像。
• 此代码识别的是图像中第二大的黑色矩形，您可以根据需要修改代码以识别其他矩形。

希望本文能够帮助您了解如何使用Python OpenCV库识别图像中的黑色矩形。如果您还有其他问题，请随时提出。