Cours ROS 119 Corriger la couleur de l'image de la caméra

environnement

Cet article fonctionne dans l'environnement suivant.

Pour l'installation, reportez-vous à ROS Course 02 Installation. Le programme de cet article a également été téléchargé sur github. Veuillez vous référer à ROS Lecture 11 git Repository.

Aperçu

Dans un article précédent, j'ai fait un exemple de détection d'un objet par teinte, mais cela suppose que la caméra peut acquérir la bonne couleur. Cependant, les couleurs qui peuvent être acquises par la caméra changeront en fonction des performances de la caméra et des conditions d'éclairage. Par conséquent, voici une méthode simple pour l'étalonnage des couleurs de la caméra (et de l'environnement). En règle générale, prenez une photo d'un objet «couleur de référence» avec une caméra, examinez à quel type de couleur il ressemble et trouvez la valeur de gain pour chaque couleur (rouge, vert, bleu). Cette fois, nous utiliserons un vérificateur de couleur comme "couleur de référence". Un bon (X-rite ColorChecker Classic) est bon, mais décent J'ai commandé quelque chose de similaire sur Aliexpress parce que c'est cher. Le vérificateur de couleurs contient des données sur les couleurs et leur apparence en RVB.

Code source

color_rectify_tool.py

• On suppose que l'image de la caméra apparaît sous la forme / image_raw.
• Lorsque vous le démarrez, l'écran généré par opencv2 apparaîtra. Après avoir pris le vérificateur de couleur sur l'appareil photo, cliquez dessus. Après cela, cliquez sur les 4 coins du vérificateur de couleur dans l'image pour calculer automatiquement 24 points de mesure. Si vous calculez à nouveau, le résultat sera craché en HTML.

Courir

Exécutez l'outil

rosrun cam_lecture color_rectify_tool.py

Après exécution, le résultat est le suivant. Gian est grand = Cela signifie que l'image est plus forte que la couleur d'origine. Le rouge est faible et le bleu est fort. Il s'agit d'une tendance d'éclairage fluorescent typique.

commentaire

• Cette fois, nous avons mesuré les gains des 24 pièces et adopté la moyenne de 12 pièces de la valeur médiane. S'il y a une utilisation, il est préférable de créer des informations de correction centrées sur la couleur correspondante.
• Puisque la valeur de correction est sortie, utilisez-la en divisant la couleur de l'image originale par le gain ou en multipliant la base de jugement du jugement de couleur par le gain.

référence

• [Bibliothèque de modèles](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)
• [Affichage hexadécimal Python](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 /)
• Afficher dans le navigateur
• color checker

Lien vers la page du tableau

Lien vers la table des matières du cours ROS