openCV实现实时颜色识别：从基础检测到指定颜色区域提取

在计算机视觉领域，颜色识别是一项基础且应用广泛的技术，无论是工业质检、智能安防还是机器人视觉导航，都能看到它的身影。本文将基于Python和OpenCV库，分享两种实用的颜色识别实现方式------实时识别画面核心区域主颜色、提取画面中指定颜色的区域，帮助大家快速掌握颜色识别的核心思路。

一、核心原理：HSV色彩空间

RGB是我们最熟悉的色彩空间，但它的颜色分布并不均匀，且易受亮度影响。而HSV（色相Hue、饱和度Saturation、明度Value）色彩空间更贴合人眼对颜色的感知，是颜色识别的首选：

• 色相（H）：范围0-179，代表颜色的种类（如红色、绿色）；

• 饱和度（S）：范围0-255，代表颜色的鲜艳程度；

• 明度（V）：范围0-255，代表颜色的明暗程度。

我们只需为目标颜色定义H、S、V的范围，就能精准筛选出对应颜色区域。

二、实现1：实时识别画面核心区域主颜色

该方案会实时读取摄像头画面，聚焦画面中心的矩形区域，统计该区域的色相范围，从而判断主颜色（支持红、黄、绿、蓝识别）。

1. 完整代码

python 复制代码

import cv2

def get_color(img):
    # 存储核心区域的色相值
    H = []
    color_name = None
    # 统一调整画面尺寸，方便后续定位核心区域
    img = cv2.resize(img, (640, 480))
    # 转换为HSV色彩空间
    HSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    # 绘制核心识别区域的矩形框（280,180）到（360,260）
    cv2.rectangle(img, (280, 180), (360, 260), (0, 255, 0), 2)
    
    # 遍历核心区域的每个像素，收集色相值
    for i in range(280, 360):
        for j in range(180, 260):
            H.append(HSV[j, i][0])
    
    # 计算色相的最大/最小值，判断颜色
    H_min = min(H)
    H_max = max(H)
    # 红色的色相范围分为两段：0-10 和 156-179
    if (H_min >= 0 and H_max <= 10) or (H_min >= 156 and H_max <= 179):
        color_name = 'red'
    elif H_min >= 26 and H_max <= 34:  # 黄色色相范围
        color_name = 'yellow'
    elif H_min >= 35 and H_max <= 77:  # 绿色色相范围
        color_name = 'green'
    elif H_min >= 100 and H_max <= 124:  # 蓝色色相范围
        color_name = 'blue'
    
    print(f"核心区域主颜色：{color_name}")
    return img, color_name

# 打开摄像头（0为默认摄像头）
cap = cv2.VideoCapture(0)

# 实时读取画面
while True:
    _, frame = cap.read()
    img, cal = get_color(frame)
    # 显示处理后的画面
    cv2.imshow('Color Recognition', img)
    # 按ESC键退出
    if cv2.waitKey(1) == 27:
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

2. 代码解析

cv2.resize：统一画面尺寸为640x480，避免不同摄像头分辨率导致核心区域位置偏移；
cv2.cvtColor：将BGR格式（OpenCV默认读取格式）的画面转换为HSV；
cv2.rectangle：绘制绿色矩形框，直观显示核心识别区域；
遍历核心区域像素：收集每个像素的色相值（HSV $j,i$ $0$ ）；
色相范围判断：根据预定义的红、黄、绿、蓝色相范围，确定核心区域主颜色。

3. 运行效果

运行代码后，摄像头画面会弹出，中心有绿色矩形框，控制台会实时打印框内的主颜色，按ESC键退出。

三、实现2：提取画面中指定颜色的区域

该方案可筛选出画面中所有指定颜色的区域（以棕色为例），通过掩码（mask）实现颜色过滤，最终输出仅保留目标颜色的画面。

1. 完整代码

python 复制代码

import cv2
import numpy as np

# 打开摄像头
cap = cv2.VideoCapture(0)

while True:
    try:
        ret, frame3 = cap.read()
        # 转换为HSV色彩空间
        hsv_image = cv2.cvtColor(frame3, cv2.COLOR_BGR2HSV)
        
        # 定义棕色的HSV范围（可根据实际需求调整）
        lower_brown = np.array([35, 43, 46])   # 最小范围
        upper_brown = np.array([77, 255, 255]) # 最大范围
        
        # 创建掩码：符合范围的像素设为255（白色），否则为0（黑色）
        mask = cv2.inRange(hsv_image, lower_brown, upper_brown)
        # 按位与运算：仅保留掩码中白色区域的原画面颜色
        result = cv2.bitwise_and(frame3, frame3, mask=mask)
        
        # 显示掩码、原画面、过滤后的画面
        cv2.imshow('mask', mask)
        cv2.imshow('Original Image', frame3)
        cv2.imshow('Color Filter Result', result)
        
        # 按ESC键退出
        if cv2.waitKey(1) == 27:
            break
    except:
        pass

# 释放资源
cap.release()
cv2.destroyAllWindows()

2. 代码解析

cv2.inRange：根据定义的HSV范围生成掩码，是颜色筛选的核心函数；
cv2.bitwise_and：将原画面与掩码做按位与运算，只有掩码为白色的区域会保留原画面颜色，其余区域为黑色；
多窗口显示：方便对比掩码（黑白轮廓）、原画面、过滤后的效果。

3. 自定义颜色范围

若需识别其他颜色，只需调整lower_xxx和upper_xxx的数值，以下是常见颜色的HSV参考范围：

• 红色：lower=np.array( $0,43,46$ )，upper=np.array( $10,255,255$ ) 或 lower=np.array( $156,43,46$ )，upper=np.array( $179,255,255$ )；

• 绿色：lower=np.array( $35,43,46$ )，upper=np.array( $77,255,255$ )；

• 蓝色：lower=np.array( $100,43,46$ )，upper=np.array( $124,255,255$ )；

• 黄色：lower=np.array( $26,43,46$ )，upper=np.array( $34,255,255$ )。

四、扩展与优化

降噪处理：实际场景中画面可能有噪点，可在颜色筛选前添加高斯模糊：
frame3 = cv2.GaussianBlur(frame3, (5, 5), 0)
多颜色同时识别：定义多个颜色范围，生成多个掩码后合并；
颜色校准：不同光线、摄像头会导致颜色偏差，可增加手动校准环节，动态调整HSV范围；
识别结果可视化：在画面上标注识别到的颜色名称，提升交互性。

五、总结

本文基于OpenCV实现了两种实用的颜色识别方案，核心是利用HSV色彩空间的特性，通过定义颜色范围或统计色相分布实现颜色识别。这些基础方案可灵活扩展到更多场景，比如：

• 智能分拣：识别物料颜色并控制机械臂分拣；

• 交通灯识别：辅助自动驾驶识别交通灯颜色；

• 互动投影：识别指定颜色的物体位置并触发交互。