[PYTHON] ROS-Kurs 119 Korrigieren Sie die Farbe des Kamerabildes

Umgebung

Dieser Artikel funktioniert in der folgenden Umgebung.

Informationen zur Installation finden Sie unter ROS Course 02 Installation. Das Programm in diesem Artikel wurde ebenfalls auf github hochgeladen. Weitere Informationen finden Sie im ROS Lecture 11 git Repository.

Überblick

In einem früheren Artikel habe ich ein Beispiel für die Erkennung eines Objekts anhand des Farbtons erstellt. Dies setzt jedoch voraus, dass die Kamera die richtige Farbe annehmen kann. Die Farben, die von der Kamera erfasst werden können, ändern sich jedoch abhängig von der Leistung der Kamera und den Lichtverhältnissen. Daher ist hier eine einfache Methode zur Farbkalibrierung der Kamera (und der Umgebung). Nehmen Sie in der Regel mit einer Kamera ein Bild eines "Referenzfarben" -Objekts auf, untersuchen Sie, wie die Farbe aussieht, und ermitteln Sie den Verstärkungswert für jede Farbe (rot, grün, blau). Dieses Mal verwenden wir einen Farbprüfer als "Referenzfarbe". Ein anständiger (X-rite ColorChecker Classic) ist gut, aber anständig Ich habe bei Aliexpress etwas Ähnliches bestellt, weil es teuer ist. Der Farbprüfer enthält Daten zu den Farben und wie sie in RGB angezeigt werden sollen.

Quellcode

color_rectify_tool.py

• Es wird davon ausgegangen, dass das Kamerabild als "/ image_raw" angezeigt wird.
• Wenn Sie es starten, wird der von opencv2 generierte Bildschirm angezeigt. Klicken Sie darauf, nachdem Sie den Farbprüfer an der Kamera angebracht haben. Klicken Sie anschließend auf die 4 Ecken des Farbprüfers im Bild, um automatisch 24 Messpunkte zu berechnen. Wenn Sie erneut berechnen, wird das Ergebnis in HTML ausgespuckt.

Lauf

Führen Sie das Tool aus

rosrun cam_lecture color_rectify_tool.py

Nach der Ausführung ist das Ergebnis wie folgt. Gian ist groß = Dies bedeutet, dass das Bild stärker als die Originalfarbe ist. Rot ist schwach und Blau ist stark. Dies ist ein typischer fluoreszierender Beleuchtungstrend.

Kommentar

• Dieses Mal haben wir die Gewinne aller 24 Teile gemessen und den Durchschnitt von 12 Teilen des Medianwerts übernommen. Wenn es eine Verwendung gibt, ist es besser, Korrekturinformationen zu erstellen, die auf der entsprechenden Farbe zentriert sind.
• Da der Korrekturwert herausgekommen ist, verwenden Sie ihn, indem Sie die Farbe des Originalbilds durch Verstärkung teilen oder den Beurteilungsgrund der Farbbeurteilung mit Verstärkung multiplizieren.

Referenz

• [Vorlagenbibliothek](https://qiita.com/mima_ita/items/5405109b3b9e2db42332#html%E7%94%A8%E3%81%AE%E3%83%86%E3%83%B3%E3%83% 97% E3% 83% AC% E3% 83% BC% E3% 83% 88% E3% 83% A9% E3% 82% A4% E3% 83% 96% E3% 83% A9% E3% 83% AA)
• [Hexadezimale Python-Anzeige](https://www.it-swarm-ja.tech/ja/python/python%E3%81%A716%E9%80%B2%E6%95%B0%E3%82%92rgb % E5% 80% A4% E3% 81% AB% E5% A4% 89% E6% 8F% 9B% E3% 81% 99% E3% 82% 8B / 1052315732 /)
• Im Browser anzeigen
• color checker

Link zur Tabellenseite

Link zum Inhaltsverzeichnis des ROS-Kurses