Opencv(六) : 颜色识别

文章目录

思维导图
- 一、实验简介
- 二、颜色空间基础
- - [1. RGB颜色空间](#1. RGB颜色空间)
  - [2. HSV颜色空间](#2. HSV颜色空间)
  - [3. 为什么选择HSV空间进行颜色识别？](#3. 为什么选择HSV空间进行颜色识别？)
- 三、掩膜（Mask）的概念与制作
- - 掩膜制作的流程
- [四、与运算（Bitwise AND）提取目标颜色](#四、与运算（Bitwise AND）提取目标颜色)
- 五、完整实验流程与代码逻辑
- - [1. 读取图片](#1. 读取图片)
  - [2. 转换颜色空间](#2. 转换颜色空间)
  - [3. 设置颜色范围](#3. 设置颜色范围)
  - [4. 生成掩膜](#4. 生成掩膜)
  - [5. 与原图进行与运算](#5. 与原图进行与运算)
  - [6. 显示结果](#6. 显示结果)
- 六、参数调节与实验现象
- 七、常见问题与优化建议
- - [1. 光照影响大](#1. 光照影响大)
  - [2. 图片格式不兼容](#2. 图片格式不兼容)
  - [3. 识别多个颜色](#3. 识别多个颜色)
- 八、总结

思维导图

一、实验简介

在计算机视觉中，颜色识别是一项非常基础但极其重要的任务。它广泛应用于目标检测、交通标志识别、工业检测、智能驾驶等领域。

本实验将介绍如何使用OpenCV实现图片颜色识别 ，核心思想是利用颜色空间转换与**掩膜（Mask）**操作，从图像中提取目标颜色区域。

完整流程包括：

理解RGB与HSV颜色空间；
制作掩膜并进行与运算；
使用Python代码实现颜色识别；
调试参数并观察不同颜色识别效果。

二、颜色空间基础

1. RGB颜色空间

RGB是最常见的颜色模型，用三种光的强度------红（Red）、绿（Green）、蓝（Blue）来组合成各种颜色。

每个通道取值范围为0~255，因此RGB模式可以表示约1600万种颜色，几乎覆盖所有可见光颜色。

在三维坐标中，RGB模型可看作一个立方体：

原点（0,0,0）代表黑色；
对角点（255,255,255）代表白色；
三个轴分别对应R、G、B通道的变化。

RGB适合用于显示设备（如显示器、电视），但并不适合进行颜色分析。

原因在于------在RGB空间中调整颜色并不直观，例如想要"让红色更亮"，必须同时调整R、G、B三个通道的值。

2. HSV颜色空间

为了更贴近人类对颜色的感知方式，引入了HSV（Hue, Saturation, Value）模型。

H（色调） ：表示颜色的类型，取值范围为0°~360°，常见对应为：

红色 0°，绿色 120°，蓝色 240°。补色依次为：黄色 60°，青色 180°，紫色 300°。
S（饱和度） ：颜色的纯度。

取值范围0%~100%，越高则颜色越鲜艳，越低则越灰暗。
V（明度） ：颜色的亮度。

取值范围0%（黑）到100%（白），明度越高颜色越亮。

HSV的三维模型通常表示为一个六角锥体：

色调沿圆周分布，饱和度从中心向外增加，明度从底部向顶部增加。

3. 为什么选择HSV空间进行颜色识别？

在图像处理中，通常先将RGB图像转换为HSV，再对颜色进行提取。原因如下：

符合人类视觉习惯：HSV直接对应色调、纯度、亮度三种感知要素；
颜色调整更直观：只需修改色调范围即可提取指定颜色；
计算更高效：在颜色分割时，可以只处理H通道，大大降低复杂度。

例如，我们想提取红色区域时，只需设置H在[0,10]或[170,180]之间，而不需要计算复杂的RGB比例。

三、掩膜（Mask）的概念与制作

掩膜是图像处理中用于筛选目标区域的关键工具。

本质上它是一张二值图像，与原图尺寸相同：

白色（255）代表目标区域；
黑色（0）代表背景区域。

当我们确定了HSV颜色范围后，就可以通过cv2.inRange()函数生成掩膜。

掩膜中的白色部分就是符合颜色条件的像素。

掩膜制作的流程

将原图由BGR格式转换为HSV；
设置目标颜色的HSV阈值范围；
调用 cv2.inRange() 生成掩膜。

【此处插入代码】

生成的掩膜是单通道图像，只有黑白两色。白色区域对应目标颜色。

四、与运算（Bitwise AND）提取目标颜色

掩膜生成后，我们需要把它与原图像进行按位与运算（bitwise AND）。

逻辑上，与运算遵循：

原图像像素	掩膜像素	结果像素
255	255	255
255	0	0
0	255	0

即：只有当掩膜对应位置为白色（255）时，原图像的像素才会保留。

OpenCV中可以使用 cv2.bitwise_and() 来实现。

【此处插入代码】

结果图像中只有目标颜色区域被保留，其他部分全部变为黑色。

五、完整实验流程与代码逻辑

1. 读取图片

首先导入必要的OpenCV和NumPy库，并读取目标图片。

python 复制代码

import numpy as np
import cv2

image_np = cv2.imread('./图片路径')

2. 转换颜色空间

将图片由BGR转为HSV格式，便于后续提取颜色。

python 复制代码

hsv_image_np = cv2.cvtColor(image_np,cv2.COLOR_BGR2HSV)

3. 设置颜色范围

设定需要识别的目标颜色（例如红色、蓝色或绿色）对应的HSV阈值。

HSV的H取值范围是0_{180（OpenCV中为半区间制），S和V通常为0}255。

python 复制代码

#创建hsv颜色区域的最小值数组,针对黄色区域
lowerb = np.array([26,43,46])
#创建hsv颜色区域的最大值数组,针对黄色区域
upperb = np.array([34,255,255])

4. 生成掩膜

使用 cv2.inRange() 生成二值化掩膜。

python 复制代码

mask_image_np = cv2.inRange(hsv_image_np,lowerb,upperb)

5. 与原图进行与运算

通过 cv2.bitwise_and() 得到最终识别结果。

python 复制代码

color_image_np = cv2.bitwise_and(image_np,image_np,mask=mask_image_np)

6. 显示结果

使用 cv2.imshow() 展示原图、掩膜、识别结果等图像。

python 复制代码

cv2.imshow("color_image_np",color_image_np)

代码整合

python 复制代码

#对图片中的某些目标颜色进行识别
#导入opencv的库,方便后续调用函数
import cv2
import numpy as np
#1.图片输入,准备一张原始图片
image_np = cv2.imread('./color.png')
#resize修改大小
image_np = cv2.resize(image_np,(700,700))
#2.HSV空间转换:将RGB颜色空间图像转化为HSV颜色空间的图像
hsv_image_np = cv2.cvtColor(image_np,cv2.COLOR_BGR2HSV)
#3.制作掩膜:为了方便后续遮挡其他不关心的区域,去制作一个掩膜
#创建hsv颜色区域的最小值数组,针对黄色区域
lowerb = np.array([26,43,46])
#创建hsv颜色区域的最大值数组,针对黄色区域
upperb = np.array([34,255,255])
#使用inRange,将hsv图像中的每一个值与lower和upperb进行比较
#当使用hsv图像中的像素点的hsv值处于数组范围之中,这个像素点就是我们要找的颜色
#inRange函数的作用:商城一个与原始图像大小相同的单通道图,其值要么是255,要么是0
#第一个参数:原始图像
#第二个参数:寻找范围的最小值  是个数组
#第三个参数:寻找范围的最大值  是个数组
mask_image_np = cv2.inRange(hsv_image_np,lowerb,upperb)
#4.与运算:将原始图像和原始图像进行位于运算,并使用掩膜去遮盖不关心的部分
color_image_np = cv2.bitwise_and(image_np,image_np,mask=mask_image_np)
#5.图像输出:显示结果
cv2.imshow("mask_image_np",mask_image_np)
cv2.imshow("color_image_np",color_image_np)
cv2.waitKey(0)

输出结果为:

六、参数调节与实验现象

在实验过程中，不同的HSV参数范围会影响识别效果。

通常建议：

红色范围：H ∈ [0,10] ∪ [170,180]
绿色范围：H ∈ [35,85]
蓝色范围：H ∈ [100,130]

可以根据实际图像进行微调，以避免光照、饱和度变化带来的偏差。

七、常见问题与优化建议

1. 光照影响大

光线变化会导致颜色识别不稳定，可通过以下方式改进：

在HSV空间中适当扩大H范围；
进行亮度归一化；
使用自适应阈值或颜色聚类算法（如KMeans）。

2. 图片格式不兼容

建议使用原生PNG格式图片 ，不要直接修改文件后缀。

JPEG压缩有损，会影响颜色值准确性。

3. 识别多个颜色

可以分别设置多个颜色掩膜，再将它们用 cv2.add() 合并。

八、总结

本文系统介绍了图像颜色识别的基本原理与实现方法。

从RGB到HSV的转换，让颜色的表达更贴近人类视觉；

掩膜的应用让我们能高效地定位图像中的目标颜色区域。

无论是在工业检测、交通信号识别还是自动驾驶场景中，颜色识别都是计算机视觉的重要基础。

掌握这项技术，不仅能帮助你理解图像处理的核心思想，也为后续更复杂的视觉算法打下坚实基础。