https://blog.csdn.net/zhangdongren/article/details/98941445?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.edu_wei Mat img = imread(D:\\ Opencv Test\\test.jpg); Scalar color = img.at<Vec3b>(150, 150);//读取原图像(150, 150)的BGR 颜色 值，如果是灰度图像，将Vec3b改为uchar for (size_t row=0; row<5 如果你使用的是C++，有些代码可能需要自行变更！   初学 opencv 的阶段，难免是从枯燥地啃文档和记函数开始。逐一而草率地“过”一遍函数用法，对于初学者而言，其实很难起到 学习 的进步。只有在具体的实例 中 ，才能更好地理解函数用法和搭配 的 妙用。   笔者在视觉库cvzone和halcon的启发下，总结了些 opencv 实现的 颜色 和轮廓的 提取 &筛选方法，能够方便地应用在不同的项目之上。   如果读友是小白，在这里也推荐个B站上的油管搬运教程： opencv 超实 下面从图像 中 提取 颜色 、形状和纹理特征的方法开始 1. 颜色 每次处理图像项目时，图像的色彩空间都会成为最先探索的地方，而我们最常用的就是RGB色彩空间。那么接下来使用 OpenCV ，我们可以将图像的 颜色 空间转换为HSV、LAB、灰度、YCrCb、CMYK等。 a. HSV（色相饱和度值） 色调H：描述主波长，是 指定 颜色 的通道 饱和度S：描述色调/ 颜色 的纯度/色调 值V：描述 颜色 的强度 import cv ret, frame = cap.read() # 读取每一帧 cv2.imshow('frame', frame) # 显示帧 if cv2.waitKey(1) == ord('q'): # 如果按下q键，退出循环 break 在窗口 中 显示的帧可以通过按下`q`键退出循环停止摄像头捕捉。 接下来，可以使用`cv2.imwrite()`函数来保存捕捉到的帧： ```python cv2.imwrite('photo.jpg', frame) # 保存捕捉到的帧 最后，可以使用`cv2.imread()`函数读取保存的 图片 ，并使用`cv2.cvtColor()`函数将 图片 转换为HSV 颜色 空间： ```python img = cv2.imread('photo.jpg') hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) 现在，可以使用NumPy库来选择想要 提取 的 颜色 范围并创建掩码： ```python lower_range = np.array([0, 50, 50]) # 最低 颜色 范围 upper_range = np.array([10, 255, 255]) # 最高 颜色 范围 mask = cv2.inRange(hsv, lower_range, upper_range) # 创建掩码 最后，可以使用`cv2.bitwise_and()`函数将原始图像和掩码相乘， 提取 出 指定 颜色 范围的图像： ```python result = cv2.bitwise_and(img, img, mask=mask) # 提取 颜色 范围的图像 cv2.imshow('result', result) # 显示结果图像 cv2.waitKey(0) # 等待按下任意键 cv2.destroyAllWindows() # 销毁窗口 这样，就可以实现拍照并 提取 指定 颜色 范围的功能了。完整代码如下： ```python import cv2 import numpy as np cap = cv2.VideoCapture(0) # 打开第一个摄像头 while True: ret, frame = cap.read() # 读取每一帧 cv2.imshow('frame', frame) # 显示帧 if cv2.waitKey(1) == ord('q'): # 如果按下q键，退出循环 break cv2.imwrite('photo.jpg', frame) # 保存捕捉到的帧 img = cv2.imread('photo.jpg') hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) lower_range = np.array([0, 50, 50]) # 最低 颜色 范围 upper_range = np.array([10, 255, 255]) # 最高 颜色 范围 mask = cv2.inRange(hsv, lower_range, upper_range) # 创建掩码 result = cv2.bitwise_and(img, img, mask=mask) # 提取 颜色 范围的图像 cv2.imshow('result', result) # 显示结果图像 cv2.waitKey(0) # 等待按下任意键 cv2.destroyAllWindows() # 销毁窗口 cap.release() # 释放摄像头 傻根根呀: 在测试时，所有预测出来的框都是P（机器认为的正样本），与gt的iou高于iou阈值的为TP，反之为FP。没有预测出来的框都是N，目标检测一般不区分TN和FN。因为负样本根本没有显示出来，也不存在区分真假的问题。因此，目标检测中，TN和FN无意义。 目标检测常用的评估指标，precision=TP/TP+FP, recall=TP/GT（也就是recall=TP/TP+FN）. ———————————————— DMPR-PS论文详解 还是不走寻常路: 作者自己重新在ps2.0上标的 DMPR-PS论文详解 shaoon: ps2.0这个数据集很多label都不对，标注的正确