一周没有更新博客了，这一周的时间内加强了对机器学习和图像处理的学习。学的有点混乱，有必要记录一下。
深度学习可以解决很多问题，但有时候深度学习和图像处理相结合才能有更好的效果：比如，在进行交通信号灯检测时，用目标检测模型确定信号灯位置后，对信号灯进行颜色分割再识别可大大提高准确率。
机器学习领域中有句话：数据和特征决定了模型的上限，而算法只不过是逼近这个上限而已，所以了解机器学习的常用算法，熟悉机器学习中的特征工程是很有必要的。
我们知道RGB颜色模式，通过不同的配比可以形成不同的颜色。HSV也是一种颜色模式，其模型如图所示
通过图示我们也能够看到，他和RGB颜色模型相似，也是由三个属性决定颜色，H、S、V分别是色彩、深度、明暗，按着图中方向的变化，其对应的颜色也会改变，三者也同样是有取值范围的：
HSV空间中三个指标相互独立，能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，方便进行颜色之间的对比，所以经常在HSV中进行颜色的分割识别。在HSV中各个颜色的范围见下表
从网上下载了一张交通信号灯的图片，如图
我们的目的是进行颜色分割，将我们感兴趣的区域提取出来以方便下一步的操作。
在开始实际操作之前，来了解一下createTrackbar。createTrackbar是Opencv中的API，其可在显示图像的窗口中快速创建一个滑动控件，用于手动调节阈值，具有非常直观的效果。可以直接观察阈值选择的效果，并确定想要的阈值。
使用Trackbar我们要了解两个函数；
（1）创建滑动条函数
一个滑动条只能用于一个参数，如果需要改变多个参数，可以使用多个滑动条。
cv2.createTrackbar(trackbarName, windowName, value, count, onChange)
各参数意义：
trackbarName：滑动空间的名称；
windowName：滑动空间用于依附的图像窗口的名称；
value：初始化阈值；
count：滑动控件的刻度范围；最小值默认为0。
onChange：回调函数（所谓回调函数即每次修改滑动条后，需要传入新变量的函数）的名称，其定义如下：
onchange：void foo（int，void*）。
其中第一个参数是滑动条位置，第二个参数是用户数据（请参见下一个参数）。如果回调是空指针，则不调用回调，但只更新值
用户数据：按原样传递给回调的用户数据。它可以用来处理滑动条事件而不使用全局变量。
（2）获取滑动条的值函数
cv.getTrackbarPos获取滑动条位置处的值
g = cv2.getTrackbarPos(trackbarName2, windowName) #第一个参数为滑动条1的名称，第二个参数为窗口的名称。
注意：需要在回调函数内部采用函数cv.getTrackbarPos获取滑动条位置处的值，不然如果存在多个滑动条时，函数无法获取更新后的参数值。
import cv2
# 滑动条的回调函数，获取滑动条位置处的值
def empty(a):
h_min = cv2.getTrackbarPos("Hue Min","TrackBars")
h_max = cv2.getTrackbarPos("Hue Max", "TrackBars")
s_min = cv2.getTrackbarPos("Sat Min", "TrackBars")
s_max = cv2.getTrackbarPos("Sat Max", "TrackBars")
v_min = cv2.getTrackbarPos("Val Min", "TrackBars")
v_max = cv2.getTrackbarPos("Val Max", "TrackBars")
print(h_min, h_max, s_min, s_max, v_min, v_max)
return h_min, h_max, s_min, s_max, v_min, v_max
path = 'Resources/11.jpg'
# 创建一个窗口，放置6个滑动条
cv2.namedWindow("TrackBars")
cv2.resizeWindow("TrackBars",640,240)
cv2.createTrackbar("Hue Min","TrackBars",0,179,empty)
cv2.createTrackbar("Hue Max","TrackBars",19,179,empty)
cv2.createTrackbar("Sat Min","TrackBars",110,255,empty)
cv2.createTrackbar("Sat Max","TrackBars",240,255,empty)
cv2.createTrackbar("Val Min","TrackBars",153,255,empty)
cv2.createTrackbar("Val Max","TrackBars",255,255,empty)
while True:
img = cv2.imread(path)
imgHSV = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
# 调用回调函数，获取滑动条的值
h_min,h_max,s_min,s_max,v_min,v_max = empty(0)
lower = np.array([h_min,s_min,v_min])
upper = np.array([h_max,s_max,v_max])
# 获得指定颜色范围内的掩码
mask = cv2.inRange(imgHSV,lower,upper)
# 对原图图像进行按位与的操作，掩码区域保留
imgResult = cv2.bitwise_and(img,img,mask=mask)
cv2.imshow("Mask", mask)
cv2.imshow("Result", imgResult)
cv2.waitKey(1)
其实在交通信号灯检测中，我们只需要获得掩码（mask图像）就可以进行识别了。
颜色分割在很多场景都可以用到，结合深度学习会有更好的效果。后续将记录如何进行字符分割。字符分割的应用场景和思路应用同样广泛，更多关于Python OpenCV HSV颜色分割的资料请关注其它相关文章！
