OpenCV 颜色识别实战：从 HSV 原理到摄像头实时检测

一、前言：为什么要用 HSV 做颜色识别

在计算机视觉的入门项目中，颜色识别几乎是绕不开的一个经典场景。无论是智能小车循迹、机械臂抓取指定颜色的物体，还是工业流水线上的色差检测，背后都离不开一个核心问题：如何让程序"看懂"颜色。

很多初学者第一次接触颜色识别时，会直接拿 BGR 图像去做阈值判断，结果发现效果非常不稳定：光照稍微变一点，阈值就失效了。原因在于 BGR 三个通道都同时受亮度影响，很难用一个固定的数值区间去描述"红色"或"黄色"。

而 HSV 色彩空间把颜色拆成了三个更符合人类直觉的分量：

• H（Hue，色相）：表示颜色本身，取值 0~180（OpenCV 中为了适配 8 位存储，把 0~360 度压缩了一半）。
• S（Saturation，饱和度）：表示颜色的纯度，取值 0~255，越低越接近灰色。
• V（Value，明度）：表示亮度，取值 0~255，越低越接近黑色。

这样一来，我们只需要锁定 H 的范围，就能大致确定"是什么颜色"，而 S 和 V 则用来过滤掉过暗、过灰的干扰像素。这正是本文示例代码的核心思想。

一句话总结：BGR 描述的是"像素值"，HSV 描述的是"颜色感知"。做颜色识别，优先选 HSV。

二、环境准备

本文示例基于 Python 和 OpenCV，运行前请确保环境就绪。

2.1 安装依赖

pip install opencv-python numpy

如果需要读取摄像头，建议安装完整版 opencv-python，而不是 opencv-python-headless，因为后者不包含 GUI 相关模块，cv2.imshow 会报错。

2.2 验证安装

import cv2
print(cv2.__version__)

能正常打印版本号，说明 OpenCV 已经安装成功。

三、核心原理：HSV 与颜色区间

在 OpenCV 中，HSV 各分量的取值范围如下表所示：

分量	含义	取值范围
H	色相	0 ~ 180
S	饱和度	0 ~ 255
V	明度	0 ~ 255

常见颜色的 H 值区间大致如下（不同光照下会有偏移，仅作参考）：

颜色	H 范围
红色	0 ~ 10 以及 156 ~ 180
橙色	11 ~ 25
黄色	26 ~ 34
绿色	35 ~ 77
青色	78 ~ 99
蓝色	100 ~ 124
紫色	125 ~ 155

注意红色比较特殊，它跨越了 0 和 180 两个端点，所以判断红色时需要写成两段区间的"或"关系，这也是很多新手容易踩坑的地方。

四、方案一：基于中心区域色相统计的颜色判断

第一种思路非常直观：在画面中央画一个矩形框，把框内所有像素的 H 值取出来，求最小值和最大值，再根据这个范围去匹配颜色名称。

4.1 完整代码

import cv2
def get_color(img):
H = []
color_name = None
img = cv2.resize(img, (640, 480))
# 将彩色图转成 HSV
HSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 画矩形框
cv2.rectangle(img, (280, 180), (360, 260), (0, 255, 0), 2)
# 依次取出每行每列的 H
for i in range(280, 360):
for j in range(180, 260):
H.append(HSV[j, i][0])
# 分别计算出 H 的最小值和最大值
H_min = min(H)
H_max = max(H)
# print(H_min, H_max)
# 判断颜色
if H_min >= 0 and H_max <= 10 or H_min >= 156 and H_max <= 180:
color_name = 'red'
elif H_min >= 26 and H_max <= 34:
color_name = 'yellow'
elif H_min >= 35 and H_max <= 77:
color_name = 'green'
elif H_min >= 100 and H_max <= 124:
color_name = 'blue'
print(color_name)
return img, color_name
cap = cv2.VideoCapture(0)
while 1:
_, frame = cap.read()
img, cal = get_color(frame)
cv2.imshow('', img)
if cv2.waitKey(1) == 27:
break

4.2 代码逐段解析

第一步：统一分辨率。 cv2.resize(img, (640, 480)) 把画面固定成 640×480，这样后面写死的矩形坐标才有意义。如果不做这一步，不同摄像头分辨率下框的位置会完全错乱。

第二步：BGR 转 HSV。 cv2.cvtColor(img, cv2.COLOR_BGR2HSV) 是颜色识别的必经之路。注意 OpenCV 读入的图像默认是 BGR 顺序，不是 RGB。

第三步：画检测框。 cv2.rectangle 的四个参数分别是左上角坐标、右下角坐标、颜色和线宽。这里用绿色框标出采样区域，方便肉眼确认。

第四步：遍历采样。 双重循环把框内每个像素的 H 分量收集到列表 H 中。这里有一个细节值得注意：HSV[j, i] 中 j 是行（y 方向），i 是列（x 方向），而 cv2.rectangle 的坐标是 (x, y) 顺序，两者刚好相反，写代码时一定要小心。

第五步：统计极值并判断。 用 min 和 max 得到 H 的范围，再逐条匹配颜色区间。

4.3 这个方案的局限

虽然代码能跑通，但它存在几个明显问题：

1. 用极值判断过于敏感。 只要框内混入一个噪点像素，H_min 或 H_max 就会被拉偏，导致判断失败。更稳健的做法是取中位数或众数。
2. 没有考虑 S 和 V。 白色、灰色、黑色的 H 值其实是随机的，但这段代码依然会给出一个"颜色名"，结果毫无意义。
3. 纯 Python 双重循环效率低。 640×480 的图每帧要循环 6400 次，帧率会明显下降。用 NumPy 切片可以一行搞定。
4. 红色判断逻辑有隐患。 由于 and 优先级高于 or，实际执行的是 (A and B) or (C and D)，逻辑本身没错，但可读性差，建议加括号。

下面给出一个用 NumPy 优化的版本：

import cv2
import numpy as np
def get_color_fast(img):
img = cv2.resize(img, (640, 480))
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
cv2.rectangle(img, (280, 180), (360, 260), (0, 255, 0), 2)
# 直接切片取 ROI，避免 Python 循环
roi = hsv[180:260, 280:360]
h_channel = roi[:, :, 0]
s_channel = roi[:, :, 1]
v_channel = roi[:, :, 2]
过滤掉低饱和、低亮度的无效像素
valid = (s_channel > 43) & (v_channel > 46)
if not np.any(valid):
return img, None
h_valid = h_channel[valid]
h_median = int(np.median(h_valid))
color_name = None
if h_median <= 10 or h_median >= 156:
color_name = 'red'
elif 26 <= h_median <= 34:
color_name = 'yellow'
elif 35 <= h_median <= 77:
color_name = 'green'
elif 100 <= h_median <= 124:
color_name = 'blue'
print(color_name)
return img, color_name</code></pre>
这个版本用中位数代替极值，抗噪能力更强，同时用布尔掩码过滤了无效像素，速度也快了一个数量级。

五、常见问题与排查

颜色识别的代码往往只有几十行，但真正跑起来时遇到的问题却五花八门。下面把实际开发中最常见的几类问题整理成表格，方便对照排查。

现象	原因	解决方式
同一套阈值在强光下能识别，换到弱光环境就失效；或者白天正常、晚上完全不准	固定阈值只适配某一种光照条件。强光会让 S、V 整体抬高甚至过曝，弱光会让 V 大幅下降，色相也会发生偏移，原本落在区间内的像素被挤出范围	先用 cv2.createTrackbar 做可视化调参，边看 mask 边调；再引入自适应机制，例如用画面中的白纸做参考实时校准 S、V 基准，或改用 cv2.calcBackProject 直方图反向投影让程序自己学习颜色分布
白色、灰色、浅色物体被误判成红色、黄色等彩色	低饱和、高亮度的像素 H 值本身是随机噪声，如果不加 S、V 下限过滤，这些像素会被强行归入某个颜色区间	在判断前先加有效性掩码，例如 valid = (s_channel > 43) & (v_channel > 46)，把低饱和、低亮度像素剔除；若有效像素为空则直接返回 None，不要硬给颜色名
红色物体明明在画面里，程序却始终判断不出来	红色在 HSV 中跨越了 0 和 180 两个端点，只写 0 ~ 10 或只写 156 ~ 180 都只能覆盖一半；另外用极值法时，一个噪点就能把 H_min 拉到中间区域	用两段区间取"或"：mask1 = cv2.inRange(hsv, (0, 43, 46), (10, 255, 255)) 与 mask2 = cv2.inRange(hsv, (156, 43, 46), (180, 255, 255))，再 cv2.bitwise_or 合并；统计方式改用中位数替代极值
画面卡顿、帧率明显偏低，cv2.waitKey 响应迟钝	用 Python 双重循环逐像素采样，640×480 的 ROI 每帧要执行数千次解释器循环；同时对全分辨率图像做 inRange 也增加了计算量	用 NumPy 切片 roi = hsv[180:260, 280:360] 加布尔掩码替代循环；降低处理分辨率到 320×240；只在 ROI 内做 inRange；必要时跳帧处理，显示时复用上一帧结果
运行时报 cv2.imshow 相关错误，或提示 GUI 后端不可用；摄像头打不开、cap.read() 一直返回 False	安装了 opencv-python-headless，该版本不包含 HighGUI 模块，无法创建窗口；也可能是摄像头索引不对、被其他程序占用，或 Linux 下缺少 /dev/video* 访问权限	卸载 headless 版本并改装完整版：pip uninstall opencv-python-headless 后 pip install opencv-python；确认 cv2.VideoCapture(0) 索引是否正确，多摄像头可尝试 1 或 2；关闭占用摄像头的程序，Linux 下把当前用户加入 video 组

排查时有一个通用思路值得记住：先把中间结果可视化出来。把 mask 窗口、ROI 区域、H 值统计结果都显示在屏幕上，问题往往一眼就能看出来，比盯着代码猜要高效得多。

六、总结

回顾全文，围绕 OpenCV 颜色识别这条主线，可以把核心结论归纳为以下几点：

• HSV 比 BGR 更适合颜色识别。 BGR 三个通道都受亮度影响，光照一变阈值就失效；HSV 把颜色拆成色相、饱和度、明度三个符合直觉的分量，阈值更稳定、更易调。
• H 分量决定"是什么颜色"。 在 OpenCV 中 H 的取值范围是 0~180，锁定 H 的区间就能大致判断颜色类别，红色因为跨越 0 和 180 两个端点，需要写成两段区间的"或"关系。
• S 和 V 用于过滤无效像素。 白色、灰色、黑色的 H 值本身是随机的，只有先用 S、V 下限（如 S > 43、V > 46）把低饱和、低亮度的像素剔除，颜色判断才有意义。
• 极值法 vs 中位数法要按场景取舍。 极值法实现简单，但一个噪点就能把 H_min 或 H_max 拉偏；中位数法抗噪更强、结果更稳健，代价是多一次排序统计，实际项目优先选中位数。
• NumPy 切片替代 Python 循环带来数量级性能提升。 双重循环逐像素采样在 640×480 下每帧要跑数千次，改用 roi[:, :, 0] 切片加布尔掩码后，代码更短、速度更快，这是 OpenCV 图像处理的通用优化思路。