Python-OpenCV HSV颜色空间与inRange颜色分割：按颜色提取目标物体

H（Hue 色相）：代表是什么颜色 。OpenCV中H取值范围：0 ~ 179
- 0左右：红色；30左右：黄色；60左右：绿色；120左右：蓝色；160左右：品红
S（Saturation 饱和度）：颜色鲜艳程度 ，取值0 ~ 255。数值越高颜色越浓；S很低的时候颜色接近灰白。
V（Value 明度/亮度）：明暗程度 ，取值0 ~ 255。控制像素亮暗，不受颜色种类影响。

核心优势：把「什么颜色」和「亮不亮」拆分开。筛选目标颜色主要依靠H，对光照强弱具备一定抗干扰能力。

转换函数：

python 复制代码

# BGR → HSV
hsv_img = cv2.cvtColor(bgr_img, cv2.COLOR_BGR2HSV)
# HSV → BGR
bgr_img = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2BGR)

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()

#BGR图像转HSV图像
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2.imshow("BGR原图", img)
cv2.imshow("HSV图像", hsv)

while True:
    key = cv2.waitKey(10)
    if key == ord('q') or key == 27:
        break
cv2.destroyAllWindows()

注意：直接imshow显示HSV图像，图片看起来会很奇怪。因为imshow依旧按照BGR规则解析矩阵，HSV图像仅用于计算，不要直接拿来观察色彩。

二、inRange函数：颜色区间筛选生成mask掩码

cv2.inRange(hsv图像, 下限lowerb, 上限upperb)

作用：设置HSV的最低、最高阈值，在hsv图里面把落在区间内的像素置255（白色），其余像素置0（黑色）。输出的结果叫做mask掩码（二值掩码图）。

参数格式：lowerb = np.array([H_min, S_min, V_min])；upperb = np.array([H_max, S_max, V_max])

掩码mask规则：

在HSV区间内 → mask该位置=255（白色，保留区域）
不在HSV区间内 → mask该位置=0（黑色，屏蔽区域）

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

#示例：红色区间，根据实际图片微调数值
lower_red = np.array([0, 120, 80])
upper_red = np.array([10, 255, 255])

#生成掩码mask
mask = cv2.inRange(hsv, lower_red, upper_red)
cv2.imshow("原图", img)
cv2.imshow("mask掩码图", mask)

while True:
    key = cv2.waitKey(10)
    if key == ord('q'):
        break
cv2.destroyAllWindows()

输出mask是一张二值黑白图，白色代表满足该颜色的像素。

常见坑：H在OpenCV只有0‑179，不要直接使用PS的0‑360色相数值，需要除以2。

三、bitwise_and按掩码提取彩色目标

得到mask掩码之后，使用按位与cv2.bitwise_and()，利用掩码把原图中mask白色区域保留，黑色区域全部置黑。实现只把目标颜色物体抠出来。

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
#红色阈值区间
lower_red = np.array([0, 120, 80])
upper_red = np.array([10, 255, 255])
mask = cv2.inRange(hsv, lower_red, upper_red)

#使用mask掩码，提取原图中目标颜色部分
result = cv2.bitwise_and(img, img, mask=mask)
cv2.imshow("原图", img)
cv2.imshow("mask掩码", mask)
cv2.imshow("提取颜色结果", result)

while True:
    key = cv2.waitKey(10)
    if key == ord('q'):
        break
cv2.destroyAllWindows()

常用基础位运算补充

函数	作用
`cv2.bitwise_and(src1,src2,mask=mask)`	按位与，掩码抠图，保留mask白色对应区域
`cv2.bitwise_or()`	按位或，多张掩码合并
`cv2.bitwise_not(mask)`	图像取反，黑白互换
`cv2.bitwise_xor()`	异或，取两张图差异部分

实操小技巧：inRange生成的mask往往带有细碎噪点，一般配合形态学操作（开运算闭运算）清理掩码里面的小白点、小黑洞。

四、预处理流程（颜色分割标准流水线）

原图 → BGR转HSV → inRange生成mask → 形态学操作清理mask噪点孔洞 → bitwise_and提取彩色目标 → 可选：对mask做轮廓检测计数

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_red = np.array([0, 120, 80])
upper_red = np.array([10, 255, 255])
mask = cv2.inRange(hsv, lower_red, upper_red)

#形态学清理掩码噪点
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
mask_clean = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)   # 去除外部噪点
mask_clean = cv2.morphologyEx(mask_clean, cv2.MORPH_CLOSE, kernel) # 填补内部孔洞
result = cv2.bitwise_and(img, img, mask=mask_clean)

cv2.imshow("原始mask",mask)
cv2.imshow("形态学清理后mask",mask_clean)
cv2.imshow("颜色提取结果",result)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、颜色分割 + 轮廓检测，统计指定颜色物体数量

mask 清理干净之后，可以直接在 mask 上运行 findContours 轮廓检测，统计画面里面红色物体的个数。

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_red = np.array([0, 120, 80])
upper_red = np.array([10, 255, 255])
mask = cv2.inRange(hsv, lower_red, upper_red)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
mask_clean = cv2.morphologyEx(mask,cv2.MORPH_OPEN,kernel)
mask_clean = cv2.morphologyEx(mask_clean,cv2.MORPH_CLOSE,kernel)

#在清理完成的掩码图上查找轮廓
contours, hierarchy = cv2.findContours(mask_clean, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
draw_img = img.copy()
count = 0
min_area = 120

for cnt in contours:
    area = cv2.contourArea(cnt)
    if area < min_area:
        continue

    count +=1
    x,y,w,h = cv2.boundingRect(cnt)
    cv2.rectangle(draw_img,(x,y),(x+w,y+h),(0,255,0),2)
    cv2.putText(draw_img,f"No.{count}",(x,y-8),cv2.FONT_HERSHEY_SIMPLEX,0.45,(0,0,255),1)

print(f"检测到目标颜色物体总数：{count}")
cv2.imshow("mask_clean",mask_clean)
cv2.imshow("物体标记结果",draw_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

六、摄像头实时 HSV 颜色追踪

读取摄像头每一帧，实时做 HSV 颜色分割，框选出画面内目标颜色物体。

python 复制代码

import cv2
import numpy as np
vc = cv2.VideoCapture(0)
cv2.namedWindow("摄像头颜色追踪",cv2.WINDOW_NORMAL)
cv2.resizeWindow("摄像头颜色追踪",800,600)

#红色HSV阈值，可以根据实际效果修改
lower_red = np.array([0, 120, 80])
upper_red = np.array([10, 255, 255])
kernel = cv2.getStructuringElement(cv2.MORPH_RECT,(3,3))
min_area = 150

while vc.isOpened():
    ret,frame = vc.read()
    if not ret:
        break

    hsv = cv2.cvtColor(frame,cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv,lower_red,upper_red)

    #形态学清理mask
    mask_clean = cv2.morphologyEx(mask,cv2.MORPH_OPEN,kernel)
    mask_clean = cv2.morphologyEx(mask_clean,cv2.MORPH_CLOSE,kernel)
    contours,hierarchy =                                             cv2.findContours(mask_clean,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    draw_frame = frame.copy()

    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area &lt; min_area:
            continue
        x,y,w,h = cv2.boundingRect(cnt)
        cv2.rectangle(draw_frame,(x,y),(x+w,y+h),(0,255,0),2)

        #计算物体中心坐标，适配机器人颜色追踪需求
        cx = x + w // 2
        cy = y + h // 2
        print(f"目标物体中心：cx={cx}, cy={cy}")

    cv2.imshow("摄像头颜色追踪",draw_frame)
    cv2.imshow("mask掩码",mask_clean)
    key = cv2.waitKey(1000//24)
    if key &amp; 0xFF == ord('q'):
        break

vc.release()
cv2.destroyAllWindows()

实操提示：摄像头环境光照变化大，如果识别不稳定，适当调小 S、V 下限，放宽阈值。

七、HSV 滑动调参工具

手动猜 HSV 数值很麻烦，可以创建滑动条，实时调节 H、S、V 上下限，观察 mask 效果，拿到适合自己图片的阈值。注意：本工具只针对单张静态图片调参，hsv 在循环外只计算一次，滑动条修改阈值时原图不会变化，这是正常现象，不要误以为它支持摄像头实时调参。

python 复制代码

import cv2
import numpy as np
def callback(x):
    pass

img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()

hsv = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
cv2.namedWindow("HSV调参窗口",cv2.WINDOW_NORMAL)
cv2.resizeWindow("HSV调参窗口",700,500)

#创建滑动条 H(0‑179) S、V(0‑255)
cv2.createTrackbar("H_min","HSV调参窗口",0,179,callback)
cv2.createTrackbar("H_max","HSV调参窗口",10,179,callback)
cv2.createTrackbar("S_min","HSV调参窗口",100,255,callback)
cv2.createTrackbar("S_max","HSV调参窗口",255,255,callback)
cv2.createTrackbar("V_min","HSV调参窗口",80,255,callback)
cv2.createTrackbar("V_max","HSV调参窗口",255,255,callback)

while True:
    h_min = cv2.getTrackbarPos("H_min","HSV调参窗口")
    h_max = cv2.getTrackbarPos("H_max","HSV调参窗口")
    s_min = cv2.getTrackbarPos("S_min","HSV调参窗口")
    s_max = cv2.getTrackbarPos("S_max","HSV调参窗口")
    v_min = cv2.getTrackbarPos("V_min","HSV调参窗口")
    v_max = cv2.getTrackbarPos("V_max","HSV调参窗口")

    lower = np.array([h_min,s_min,v_min])
    upper = np.array([h_max,s_max,v_max])
    mask = cv2.inRange(hsv,lower,upper)
    res = cv2.bitwise_and(img,img,mask=mask)
    cv2.imshow("mask",mask)
    cv2.imshow("HSV调参窗口",res)
    key = cv2.waitKey(10)

    if key == ord('q'):
    # 打印最终阈值，可以复制到正式项目
        print(f"lower = np.array([{h_min},{s_min},{v_min}])")
        print(f"upper = np.array([{h_max},{s_max},{v_max}])")
        break
cv2.destroyAllWindows()

八、本章 API 总览表

函数	功能说明
`cv2.cvtColor(img,cv2.COLOR_BGR2HSV)`	BGR 图像转为 HSV 图像
`cv2.inRange(hsv,lowerb,upperb)`	HSV 区间筛选，生成二值 mask 掩码
`cv2.bitwise_and(img,img,mask=mask)`	根据掩码提取原图对应颜色区域
`cv2.bitwise_not(mask)`	掩码黑白取反
`cv2.createTrackbar()`	创建滑动条，用于调试 HSV 阈值

九、本章高频踩坑清单

红色色相跨 0 边界，需要两组 inRange 掩码做 or 合并，完整示例：

python 复制代码

import cv2
import numpy as np
img = cv2.imread(r"D:\PYTHON\color_test.jpg")
if img is None:
    print("图片读取失败，请替换为正确路径")
    exit()

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
#红色跨边界：H 0-10 和 160-179 两组区间
lower_red1 = np.array([0, 120, 80])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([160, 120, 80])
upper_red2 = np.array([179, 255, 255])

mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask = cv2.bitwise_or(mask1, mask2)  # 两组掩码合并
result = cv2.bitwise_and(img, img, mask=mask)

cv2.imshow("mask", mask)
cv2.imshow("result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

OpenCV 中 Hue 色相取值范围0‑179，不是 0‑360。PS、画图软件的色相数值要除以 2 再使用；
不要直接 imshow 显示 HSV 图像，HSV 矩阵只是计算用，imshow 会错误解析色彩；
inRange 输出 mask 会存在噪点，务必搭配形态学开运算、闭运算清理掩码；
S 饱和度不要设置太低：S 过低时物体发白、发灰白，H 色相会失效，一般 S_min 建议不低于 40~60；
V 明度要根据光照环境调整：强光环境适当拉高 V_max，暗光环境适当降低 V_min，避免目标物体因过亮或过暗被漏掉；
图片路径使用 r 原始字符串，避免转义字符导致图片读取返回 None；
摄像头实时颜色追踪，光照变化会严重影响分割效果，尽量保证光源稳定。

十、方案选型：什么时候用灰度阈值，什么时候用 HSV 颜色分割

学完本章，很多人会纠结：到底该用灰度阈值还是 HSV 颜色分割？其实两者并不冲突，选型主要看两个问题：物体和背景靠什么区分 ，以及光照环境是否稳定。

物体和背景明暗差距大，颜色不重要：优先用灰度 + threshold。例如白纸黑字、深色零件放在浅色传送带上，这类场景灰度阈值简单高效，不需要转 HSV，处理速度也更快。
物体依靠颜色区分，或光照变化大：优先用 HSV + inRange。例如红色球在绿色草地上、彩色积木分类，这类场景颜色是核心特征，HSV 依靠色相筛选，对光照强弱具备一定抗干扰能力。

简单记忆：看明暗选灰度，看颜色选 HSV。实际项目中两者也经常配合使用，例如先用 HSV 提取目标颜色区域，再对结果做灰度阈值或轮廓检测，完成更复杂的识别任务。

十一、本章知识小结

BGR 色彩空间容易受亮度干扰；HSV 把图像拆分为 H 色相、S 饱和度、V 明度，依靠色相筛选颜色，抗光照干扰更强；
使用cv2.cvtColor()完成 BGR 与 HSV 互相转换；
cv2.inRange()设置 HSV 上下限，生成 mask 掩码，白色代表符合颜色条件的像素；
bitwise_and 位运算配合 mask 掩码，从原图抠取目标颜色区域；
mask 掩码一般要经过形态学操作，去除噪点、填补孔洞；mask 可以直接送入 findContours 做轮廓检测，实现颜色物体计数；
inRange 输出的 mask 本身就是 uint8 单通道二值图，可以直接送入 findContours，不需要再做 threshold 二值化；
滑动条工具可以快速调试 HSV 阈值，拿到适合自己场景的参数；
红色比较特殊色相跨过 0 边界，复杂场景需要两组掩码合并。

下一章：OpenCV 仿射变换、透视变换，图像任意角度旋转矫正，实现文档扫描矫正实战。