Aula 4 — Espaço de cor (HSV) e Contornos: segmentação robusta e extração de forma¶

Nesta aula você vai sair do “threshold ingênuo em RGB” e passar para uma segmentação mais robusta usando HSV, e depois vai aprender a extrair contornos e medir propriedades geométricas (área, perímetro, caixas, centróide).

Esse é um bloco essencial para projetos de detecção simples, rastreamento por cor e visão aplicada a robótica/IoT.

Lab04 — Espaço de cor e Contornos (Notebook)

Objetivos de aprendizagem¶

Ao final da aula, você deve ser capaz de:

1. Explicar por que HSV é mais adequado do que RGB/BGR para segmentação por cor.
2. Converter imagens BGR → HSV e escolher faixas (H,S,V) coerentes.
3. Criar máscaras com inRange() e aplicar a máscara na imagem original.
4. Usar operações morfológicas (erosão/dilatação/open/close) para remover ruído e preencher falhas.
5. Extrair contornos com findContours() e desenhá-los corretamente.
6. Medir propriedades de contornos: área, perímetro, centróide, bounding box.
7. Filtrar contornos por critérios (ex.: área mínima, proporção, circularidade).
8. Construir um pipeline simples de detecção e marcação de objetos por cor.

1) Pré-requisitos mínimos¶

1.1 OpenCV lê em BGR¶

Ao carregar imagens com OpenCV, a ordem é BGR. Você converte para HSV antes de segmentar.

1.2 Máscara é uma imagem (quase sempre) binária¶

Uma máscara é uma matriz H×W com valores 0/255 (ou 0/1). Ela serve para selecionar pixels.

2) Por que HSV ajuda na segmentação?¶

No RGB/BGR, cor e iluminação estão “misturados”. No HSV, você separa:

• H (Hue / Matiz): “qual cor é” (vermelho, verde, azul…)
• S (Saturation / Saturação): “quão forte” é a cor
• V (Value / Valor): brilho/iluminação

Intuição prática: em muitos cenários, o objeto continua “verde” mesmo com variação de luz, mas seu canal V muda — por isso HSV tende a ser mais estável para segmentar.

3) Parte A — Segmentação por cor com inRange() (o coração da aula)¶

3.1 Pipeline mínimo¶

1) cvtColor(BGR → HSV) 2) mask = inRange(hsv, lower, upper) 3) result = bitwise_and(img, img, mask=mask)

3.2 O detalhe do Hue (vermelho é especial)¶

Em HSV, o Hue é circular (0 “encosta” em 179 no OpenCV). O vermelho costuma exigir duas faixas:

• faixa baixa (próximo de 0)
• faixa alta (próximo de 179)

Exercício 1 — Criar máscara de uma cor¶

• Escolha uma cor-alvo no notebook (ex.: verde/azul).
• Encontre limites lower e upper.
• Mostre máscara e resultado aplicado.

4) Parte B — Limpeza de máscara: morfologia (quando a máscara fica “suja”)¶

Segmentação real quase sempre dá:

• pontos isolados (ruído)
• buracos no objeto

Operações morfológicas típicas:

• Erosão: “come” pixels (remove ruído pequeno, afina)
• Dilatação: “engorda” pixels (fecha falhas pequenas)
• Abertura (open): erosão → dilatação (remove ruído)
• Fechamento (close): dilatação → erosão (fecha buracos)

Exercício 2 — Open vs Close¶

• Aplique open e close na máscara.
• Compare lado a lado e descreva o efeito.

5) Parte C — Contornos: do binário para a geometria¶

5.1 O que é um contorno?¶

É uma curva (lista de pontos) que delimita o “borda” de um componente conectado na máscara.

Pipeline:

1) ter uma máscara binária bem definida (idealmente limpa) 2) findContours(mask, ...) 3) drawContours(...) na imagem

5.2 Métricas básicas¶

Com o contorno em mãos, você consegue:

• Área: contourArea(cnt)
• Perímetro: arcLength(cnt, True)
• Bounding box: boundingRect(cnt) (retângulo alinhado aos eixos)
• Centróide: via momentos (moments)

6) Parte D — Filtrando “o objeto certo” (critério de forma)¶

Depois de obter vários contornos, você escolhe o “alvo” usando critérios:

6.1 Critério por área (o mais comum)¶

• area > area_min

6.2 Proporção (aspect ratio) usando bounding box¶

• w/h para evitar selecionar objetos “muito achatados” ou “muito altos”.

6.3 Circularidade (quando o alvo é mais “redondo”)¶

Uma medida simples:

• perto de 1 → círculo
• menor → formas irregulares

7) Exercícios guiados (do notebook)¶

Desafio 3 — Pipeline completo (imagem)¶

• Converter BGR→HSV
• inRange para segmentar cor
• Open/Close para limpar
• Encontrar contornos
• Desenhar o contorno do maior objeto
• Mostrar bounding box + centróide

Desafio 4 — Ajuste de robustez¶

• Crie 2 cenários (ex.: luz mais forte e mais fraca)
• Ajuste limites HSV e morfologia para manter o resultado estável
• Documente suas escolhas (2–4 linhas)

8) Desafio Final — Rastreamento por cor + forma (mini-projeto)¶

Você vai construir um script .py (fora do notebook) que:

1) Captura webcam (VideoCapture) 2) Converte frame para HSV 3) Segmenta uma cor alvo (com limites ajustáveis) 4) Limpa máscara com morfologia 5) Extrai contornos 6) Seleciona o objeto-alvo (ex.: maior por área ou por circularidade) 7) Desenha:

• contorno
• bounding box
• centróide
• texto com área e posição

Requisitos mínimos

• Código organizado em funções (segment(), clean_mask(), find_target(), draw_overlay())
• Tratamento de saída (q para sair)

• Comentários curtos justificando:

• limites HSV escolhidos

• morfologia usada (open/close e kernel)