HSV颜色空间过滤

在计算机视觉领域，"颜色" 是最直观的特征之一，无论是车道线检测、物体识别还是图像分割，精准的颜色过滤都是核心基础。但直接使用日常熟知的 RGB 空间做颜色筛选，往往会被光照、阴影、反光等因素干扰，而 HSV、LAB 等色彩空间则能完美解决这一痛点。

适合过滤的颜色空间：HSV

HSV（色相 Hue、饱和度 Saturation、明度 Value）是为 "人类视觉感知" 设计的颜色空间，它将颜色拆分为三个独立维度，完美解决了 RGB 的耦合问题。

通道	取值范围	通俗理解	过滤作用
H（色相）	0-179	颜色的 "种类"（如红、黄、绿）	锁定目标颜色的固定区间（如黄色 = 20-30）
S（饱和度）	0-255	颜色的 "鲜艳程度"（0 = 灰度，255 = 纯彩色）	区分 "彩色目标" 和 "灰度背景"（如白色车道线 S≈0）
V（明度）	0-255	颜色的 "亮度"（0 = 纯黑，255 = 纯白）	过滤阴影（低 V）、过曝（高 V），只保留有效亮度区域

HSV 的核心优势：解耦

过滤的本质是 "维度解耦"：将耦合的 RGB 拆分为独立的颜色 / 亮度维度，降低阈值筛选难度；

RGB转成HSV

python 复制代码

# 转换到HSV的颜色空间
hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)

举个例子：

黄色车道线：无论晴天还是阴天，H 值始终在 20-30 之间，只需调整 V 值即可适配亮度；
白色车道线：无需限制 H 值，只需锁定 "S<30（低饱和度）+ V>180（高亮度）"，就能避开所有彩色干扰。

示例代码（以 "提取黄色 / 白色车道线" 为例）

python 复制代码

import cv2
import numpy as np

def color_based_filtering(image):
    # HSV空间过滤（识别黄色/白色车道线）
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

    # 白色区域
    lower_white = np.array([0, 0, 180])
    upper_white = np.array([180, 30, 255])
    white_mask = cv2.inRange(hsv, lower_white, upper_white)

    # 黄色区域
    lower_yellow = np.array([20, 100, 100])
    upper_yellow = np.array([30, 255, 255])
    yellow_mask = cv2.inRange(hsv, lower_yellow, upper_yellow)

    # 合并车道线颜色掩码
    lane_color_mask = cv2.bitwise_or(white_mask, yellow_mask)

    return lane_color_mask

if __name__ == "__main__":
    # 读取测试图片（替换为你的车道图片路径）
    img = cv2.imread("1.png")
    # 缩放图片（可选，适配显示）
    img = cv2.resize(img, (640, 480))
    lane_color_mask = color_based_filtering(img)
    cv2.imshow("lane_color_mask", lane_color_mask)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

cv2.inRange：核心过滤函数，筛选出 HSV 值在指定区间内的像素，生成二值掩码（255 = 目标颜色，0 = 背景）；
掩码合并 ：通过cv2.bitwise_or合并多颜色掩码，支持扩展到红色、绿色等其他颜色；

运行效果

原图

过滤后掩码图（除了车道线还有白云、建筑也是白的被保留下来）

总结

易受相似颜色背景干扰：颜色过滤仅关注 "颜色特征"，无法区分 "目标物体" 和 "背景中相似颜色的干扰物"：

车道线检测中：黄色路牌、白色车辆、灰色路面反光都会触发黄 / 白色阈值，导致掩码中混入大量噪点；
其他场景：用 HSV 过滤红色苹果时，红色广告牌、花瓣会被误判为目标。

颜色空间过滤的核心缺点是对动态光照敏感、易受相似颜色干扰、特征单一，本质是 "单一维度筛选无法适配复杂场景"。