计算机视觉处理（OpenCV基础教学（六）：基于HSV颜色空间的目标颜色识别）

OpenCV基础教学（六）：基于HSV颜色空间的目标颜色识别

本文将深入讲解HSV颜色空间的原理，以及如何利用HSV进行目标颜色识别和提取，通过Python+OpenCV代码实战演示完整的颜色识别流程。

---

总流程图：

一、颜色空间概述

RGB颜色模型的局限性

在之前的文章中，我们一直使用RGB（或BGR）颜色模型。虽然RGB模型直观且易于理解，但它存在一些局限性：

1. 不符合人类感知：人类感知颜色是基于色调、饱和度和亮度，而不是红绿蓝三原色的强度
2. 调整困难：在RGB空间调整颜色需要同时修改三个通道
3. 光照敏感：RGB值对光照变化非常敏感

HSV颜色空间的特点与优势

HSV（Hue-Saturation-Value）颜色空间更符合人类对颜色的感知方式：

• Hue（色调）：颜色的种类（红、绿、蓝等）
• Saturation（饱和度）：颜色的纯度或鲜艳程度
• Value（明度）：颜色的明亮程度

HSV的优势：

1. 直观的颜色调整
2. 对光照变化有一定鲁棒性
3. 便于颜色分割和识别

---

二、HSV颜色空间详解

色调（Hue）的理解与应用

色调表示颜色的种类，使用角度表示（0°-360°）：

红色：0°（或360°）
黄色：60°
绿色：120°
青色：180°
蓝色：240°
紫色：300°

在OpenCV中，Hue的取值范围被压缩到0-180（为了适应8位无符号整数）。

饱和度（Saturation）的作用

饱和度表示颜色的纯度：

• 0%：灰色，无色彩
• 100%：纯色，非常鲜艳

饱和度越高，颜色越鲜艳；饱和度越低，颜色越接近灰色。

明度（Value）的影响

明度表示颜色的明亮程度：

• 0%：纯黑色
• 100%：最亮的颜色

明度与光照强度直接相关，调整明度可以模拟不同光照条件。

HSV与RGB的对比

特性	RGB颜色空间	HSV颜色空间
颜色表示	红、绿、蓝三通道强度	色调、饱和度、明度
人类感知	不符合	符合
光照影响	敏感	相对不敏感
颜色调整	复杂	简单直观

---

三、目标颜色识别原理

HSV颜色范围的设定

在HSV空间中，每种颜色都有一个特定的范围。识别特定颜色的关键是找到该颜色在HSV空间中的最小值和最大值。

HSV范围设定原则：

1. Hue（色调）：确定主要颜色
2. Saturation（饱和度）：排除灰色和接近灰色的区域
3. Value（明度）：排除过暗或过亮的区域

常见颜色的HSV范围（OpenCV格式）

在OpenCV中，HSV的范围如下：

• Hue: 0-179
• Saturation: 0-255
• Value: 0-255

以下是常见颜色的HSV范围参考：

# 常见颜色的HSV范围（OpenCV格式）
HSV_RANGES = {
    '红色': [
        ([0, 43, 46], [10, 255, 255]),     # 红色范围1
        ([156, 43, 46], [180, 255, 255])   # 红色范围2（跨越0°）
    ],
    '黄色': [([26, 43, 46], [34, 255, 255])],
    '绿色': [([35, 43, 46], [77, 255, 255])],
    '青色': [([78, 43, 46], [99, 255, 255])],
    '蓝色': [([100, 43, 46], [124, 255, 255])],
    '紫色': [([125, 43, 46], [155, 255, 255])],
    '黑色': [([0, 0, 0], [180, 255, 46])],
    '白色': [([0, 0, 221], [180, 30, 255])],
    '灰色': [([0, 0, 46], [180, 43, 220])]
}

注意：红色在HSV中需要两个范围，因为它跨越了0°（360°）边界。

掩膜（Mask）的创建与应用

掩膜是一个二进制图像，其中白色（255）表示感兴趣区域，黑色（0）表示背景区域。

掩膜的作用：

1. 隔离特定颜色区域
2. 减少计算量
3. 便于后续处理

按位操作提取目标区域

使用按位与操作，将原始图像与掩膜结合，只保留掩膜中白色区域对应的像素：

# 按位与操作：提取目标颜色区域
result = cv2.bitwise_and(src1, src2, mask=mask)

---

四、代码实战：目标颜色识别

基础实现代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

def color_detection(image_path, target_color='yellow', show_steps=True):
    """
    检测图像中的特定颜色
    Args:
        image_path: 图像路径
        target_color: 目标颜色
        show_steps: 是否显示处理步骤
    Returns:
        处理结果
    """
    # 1. 读取图像
    image_bgr = cv2.imread(image_path)
    image_bgr = cv2.resize(image_bgr, (700, 700))
    image_rgb = cv2.cvtColor(image_bgr, cv2.COLOR_BGR2RGB)
    
    # 2. 转换为HSV颜色空间
    image_hsv = cv2.cvtColor(image_bgr, cv2.COLOR_BGR2HSV)
    
    # 3. 定义目标颜色的HSV范围
    if target_color == 'yellow':
        # 黄色范围
        lower = np.array([26, 43, 46])
        upper = np.array([34, 255, 255])
    elif target_color == 'red':
        # 红色范围（需要两个范围）
        lower1 = np.array([0, 43, 46])
        upper1 = np.array([10, 255, 255])
        lower2 = np.array([156, 43, 46])
        upper2 = np.array([180, 255, 255])
    elif target_color == 'blue':
        # 蓝色范围
        lower = np.array([100, 43, 46])
        upper = np.array([124, 255, 255])
    else:
        # 默认使用黄色
        lower = np.array([26, 43, 46])
        upper = np.array([34, 255, 255])
    
    # 4. 创建掩膜
    if target_color == 'red':
        # 红色需要两个掩膜
        mask1 = cv2.inRange(image_hsv, lower1, upper1)
        mask2 = cv2.inRange(image_hsv, lower2, upper2)
        mask = cv2.bitwise_or(mask1, mask2)
    else:
        mask = cv2.inRange(image_hsv, lower, upper)
    
    # 5. 应用掩膜提取目标颜色
    result = cv2.bitwise_and(image_bgr, image_bgr, mask=mask)
    result_rgb = cv2.cvtColor(result, cv2.COLOR_BGR2RGB)
    
    # 6. 可视化结果
    if show_steps:
        plt.figure(figsize=(15, 10))
        
        plt.subplot(2, 3, 1)
        plt.imshow(image_rgb)
        plt.title('Original Image')
        plt.axis('off')
        
        plt.subplot(2, 3, 2)
        # 显示HSV的H通道
        h_channel = image_hsv[:, :, 0]
        plt.imshow(h_channel, cmap='hsv')
        plt.title('Hue Channel')
        plt.colorbar()
        plt.axis('off')
        
        plt.subplot(2, 3, 3)
        # 显示HSV的S通道
        s_channel = image_hsv[:, :, 1]
        plt.imshow(s_channel, cmap='gray')
        plt.title('Saturation Channel')
        plt.colorbar()
        plt.axis('off')
        
        plt.subplot(2, 3, 4)
        # 显示HSV的V通道
        v_channel = image_hsv[:, :, 2]
        plt.imshow(v_channel, cmap='gray')
        plt.title('Value Channel')
        plt.colorbar()
        plt.axis('off')
        
        plt.subplot(2, 3, 5)
        plt.imshow(mask, cmap='gray')
        plt.title(f'Mask for {target_color}')
        plt.axis('off')
        
        plt.subplot(2, 3, 6)
        plt.imshow(result_rgb)
        plt.title(f'Detected {target_color} Region')
        plt.axis('off')
        
        plt.tight_layout()
        plt.show()
    
    return mask, result_rgb

# 使用示例
mask, result = color_detection('./color.png', target_color='yellow')

多颜色同时识别

def detect_multiple_colors(image_path, colors=['red', 'green', 'blue']):
    """
    同时检测多种颜色
    """
    # 读取并预处理图像
    image_bgr = cv2.imread(image_path)
    image_bgr = cv2.resize(image_bgr, (700, 700))
    image_hsv = cv2.cvtColor(image_bgr, cv2.COLOR_BGR2HSV)
    
    # 定义颜色范围
    color_ranges = {
        'red': [([0, 43, 46], [10, 255, 255]), 
                ([156, 43, 46], [180, 255, 255])],
        'yellow': [([26, 43, 46], [34, 255, 255])],
        'green': [([35, 43, 46], [77, 255, 255])],
        'blue': [([100, 43, 46], [124, 255, 255])]
    }
    
    # 为每种颜色创建掩膜
    masks = {}
    for color in colors:
        if color in color_ranges:
            color_masks = []
            for lower, upper in color_ranges[color]:
                lower_np = np.array(lower)
                upper_np = np.array(upper)
                color_masks.append(cv2.inRange(image_hsv, lower_np, upper_np))
            
            # 合并多个范围（如红色）
            if len(color_masks) > 1:
                combined_mask = cv2.bitwise_or(color_masks[0], color_masks[1])
                for i in range(2, len(color_masks)):
                    combined_mask = cv2.bitwise_or(combined_mask, color_masks[i])
                masks[color] = combined_mask
            else:
                masks[color] = color_masks[0]
    
    # 可视化结果
    plt.figure(figsize=(15, 10))
    
    # 显示原图
    plt.subplot(2, 3, 1)
    plt.imshow(cv2.cvtColor(image_bgr, cv2.COLOR_BGR2RGB))
    plt.title('Original Image')
    plt.axis('off')
    
    # 显示每种颜色的掩膜
    for idx, (color, mask) in enumerate(masks.items(), 2):
        plt.subplot(2, 3, idx)
        plt.imshow(mask, cmap='gray')
        plt.title(f'{color.capitalize()} Mask')
        plt.axis('off')
    
    # 显示所有颜色合并的结果
    plt.subplot(2, 3, 6)
    combined_result = np.zeros_like(image_bgr)
    color_map = {
        'red': (0, 0, 255),      # BGR格式
        'green': (0, 255, 0),
        'blue': (255, 0, 0),
        'yellow': (0, 255, 255)
    }
    
    for color, mask in masks.items():
        if color in color_map:
            color_mask = np.zeros_like(image_bgr)
            color_mask[:, :] = color_map[color]
            color_region = cv2.bitwise_and(color_mask, color_mask, mask=mask)
            combined_result = cv2.add(combined_result, color_region)
    
    plt.imshow(cv2.cvtColor(combined_result, cv2.COLOR_BGR2RGB))
    plt.title('All Detected Colors')
    plt.axis('off')
    
    plt.tight_layout()
    plt.show()
    
    return masks

# 使用示例
masks = detect_multiple_colors('./color.png', colors=['red', 'green', 'blue', 'yellow'])

---

五 、总结与应用场景

颜色识别的实际应用

1. 工业分拣：识别和分拣不同颜色的产品
2. 交通标志识别：识别红绿灯、交通标志的颜色
3. 医学图像分析：识别病理图像中的特定颜色区域
4. 机器人视觉：引导机器人识别和抓取特定颜色的物体
5. 游戏开发：颜色追踪和交互
6. 农业应用：识别成熟水果的颜色

HSV颜色识别的优缺点

优点：

1. 对光照变化有一定鲁棒性
2. 颜色分离效果好
3. 计算相对简单
4. 实时性好

缺点：

1. 需要预先知道目标颜色的HSV范围
2. 对颜色渐变处理不够好
3. 在极端光照条件下可能失效

进一步学习方向

1. 机器学习方法：使用分类器进行颜色识别
2. 深度学习：使用卷积神经网络进行像素级颜色分类
3. 颜色恒常性：在不同光照条件下保持颜色识别的一致性
4. 多光谱成像：使用超出可见光范围的光谱信息

实践建议

1. 实验不同的HSV范围：使用交互式工具找到最佳范围
2. 结合形态学操作：优化识别结果
3. 考虑光照条件：在不同光照下测试算法
4. 使用多个颜色模型：结合RGB、HSV、LAB等模型提高鲁棒性

---

📌 下期预告

下一期我们将学习图像的特征检测与描述（SIFT、SURF、ORB等），掌握如何在图像中寻找和描述关键特征点。

---

扩展思考

1. 如何处理颜色渐变区域？
2. 如何在没有先验知识的情况下识别未知颜色？
3. 如何提高颜色识别在复杂背景下的鲁棒性？

欢迎在评论区分享你的实践经验和遇到的问题！

---

如果觉得本文有帮助，欢迎点赞、收藏、关注！
你的支持是我持续创作的最大动力！