HSV颜色检测方法及实战技巧

编程并不是一个机械性的工作，而是需要有思考，有创新的工作，语法是固定的，但解决问题的思路则是依靠人的思维，这就需要我们坚持学习和更新自己的知识。今天golang学习网就整理分享《OpenCV HSV精准检测颜色对象方法》，文章讲解的知识点主要包括，如果你对文章方面的知识点感兴趣，就不要错过golang学习网，在这可以对大家的知识积累有所帮助，助力开发能力的提升。

本教程详细介绍了如何利用Python和OpenCV库，通过转换至HSV色彩空间来高效、鲁棒地检测图像中的特定颜色对象，例如黄色。文章将解释HSV相较于BGR的优势，并提供从图像加载、色彩空间转换、定义颜色范围、创建掩码到最终对象轮廓检测的完整代码示例和实践指导，旨在帮助读者实现精确的颜色分割。

1. 图像中颜色检测的挑战

在计算机视觉任务中，识别图像中的特定颜色对象是一个常见需求。然而，直接在BGR（蓝绿红）或RGB色彩空间中定义颜色范围进行检测，往往会遇到挑战。BGR色彩空间中的颜色值是混合的，且对光照条件极为敏感。这意味着，即使是同一种颜色的物体，在不同光照下其BGR值也会有显著差异，导致难以设置一个通用且精确的颜色范围。

例如，尝试在BGR空间中直接通过cv2.inRange函数检测黄色对象时，如果设定的边界不够精确或光照变化较大，生成的掩码（mask）可能始终为全黑，从而无法检测到任何目标对象。这正是许多初学者在进行颜色分割时常遇到的困境。

2. 引入HSV色彩空间

为了克服BGR色彩空间的局限性，我们通常会采用HSV（Hue, Saturation, Value）色彩空间进行颜色检测。HSV模型更符合人类对颜色的感知方式，它将颜色的三个主要属性分离：

• H (Hue - 色相)：表示颜色的种类，如红色、黄色、绿色等。它的值通常在0到360度之间（在OpenCV中被缩放到0-179）。色相是与光照强度无关的纯粹颜色信息。
• S (Saturation - 饱和度)：表示颜色的纯度或鲜艳程度。低饱和度意味着颜色更接近灰色，高饱和度意味着颜色更鲜艳。其值通常在0到100%之间（在OpenCV中被缩放到0-255）。
• V (Value - 明度/亮度)：表示颜色的亮度或强度。低明度意味着颜色更暗，高明度意味着颜色更亮。其值通常在0到100%之间（在OpenCV中被缩放到0-255）。

HSV的优势： HSV色彩空间最大的优势在于其色相（H）通道与光照强度相对独立。这意味着，即使光照条件发生变化，同一颜色的H值变化也较小，使得我们能够更稳定、更直观地定义特定颜色的范围，从而实现更鲁棒的颜色检测。

OpenCV中的HSV范围： 在OpenCV中，HSV通道的取值范围如下：

• H (色相)：0 到 179（代表0到359度）
• S (饱和度)：0 到 255
• V (明度)：0 到 255

3. 使用OpenCV检测黄色对象

下面我们将详细介绍如何利用Python和OpenCV，通过HSV色彩空间来检测图像中的黄色对象。

3.1 核心步骤

1. 加载图像： 读取待处理的图像文件。
2. 转换为HSV： 将BGR格式的图像转换为HSV格式。
3. 定义颜色范围： 根据目标颜色（例如黄色）在HSV空间中定义其上下限。
4. 创建二值掩码： 使用cv2.inRange()函数根据定义的HSV范围生成一个二值图像掩码。
5. 应用掩码： 将掩码应用到原始图像上，提取出目标颜色区域。
6. 检测并绘制轮廓： 在掩码上查找轮廓，以识别和标记独立的黄色对象。

3.2 示例代码及详解

import cv2
import numpy as np

def detect_yellow_objects(image_path):
    """
    在给定图像中检测黄色对象并高亮显示。

    Args:
        image_path (str): 图像文件的路径。
    """
    # 1. 加载图像
    img = cv2.imread(image_path)

    if img is None:
        print(f"错误：无法加载图像 {image_path}。请检查文件路径或确保图像存在。")
        return

    # 显示原始图像，便于对比
    cv2.imshow("Original Image", img)

    # 2. 将BGR图像转换为HSV色彩空间
    # HSV在颜色分割方面通常比BGR更鲁棒，因为色相(H)与光照强度相对独立。
    hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

    # 3. 定义黄色的HSV范围
    # 这些值可能需要根据具体图像、光照条件和黄色深浅进行微调。
    # H: 色相 (0-179), S: 饱和度 (0-255), V: 明度 (0-255)
    # 典型的黄色H值在20-40之间。
    # lower_yellow = np.array([20, 100, 100])  # 较窄的黄色范围
    # upper_yellow = np.array([30, 255, 255])

    # 尝试一个更广义的黄色范围，以捕捉更多变体
    lower_yellow = np.array([15, 80, 80])
    upper_yellow = np.array([45, 255, 255])

    # 4. 根据HSV范围创建二值掩码
    # mask中，在指定HSV范围内的像素为白色(255)，否则为黑色(0)。
    mask = cv2.inRange(hsv_img, lower_yellow, upper_yellow)

    # 显示生成的掩码，可以看到黄色区域变为白色
    cv2.imshow("Yellow Mask", mask)

    # 5. 应用掩码，提取黄色区域
    # result是原始图像中只保留黄色部分的图像，背景为黑色。
    result = cv2.bitwise_and(img, img, mask=mask)

    # 显示提取出的黄色对象
    cv2.imshow("Detected Yellow Objects", result)

    # 6. 检测轮廓以识别独立的黄色对象
    # cv2.findContours 接收二值图像（掩码），
    # cv2.RETR_EXTERNAL 只检测最外层轮廓，
    # cv2.CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线段，只保留端点。
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # 在原始图像的副本上绘制检测到的轮廓，以便可视化
    img_contours = img.copy()
    if len(contours) > 0:
        print(f"检测到 {len(contours)} 个黄色对象。")
        # 遍历所有轮廓并绘制
        # -1 表示绘制所有轮廓，(0, 255, 0) 是绿色，2 是线条宽度
        cv2.drawContours(img_contours, contours, -1, (0, 255, 0), 2)
    else:
        print("未检测到黄色对象。")

    # 显示带有轮廓的图像
    cv2.imshow("Contours on Original Image", img_contours)

    # 等待按键，然后关闭所有窗口
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 示例用法
if __name__ == "__main__":
    # 请将 'screenshot.png' 替换为你实际的图像文件路径
    # 确保图像文件与脚本在同一目录下，或提供完整路径
    detect_yellow_objects('screenshot.png')

4. 关键注意事项与优化

为了提高颜色检测的准确性和鲁棒性，可以考虑以下几点：

• HSV范围的精确调整：
  • 上述代码中提供的黄色HSV范围是一个通用参考值。由于不同光源、相机传感器以及物体本身黄色的细微差异，实际应用中可能需要对这些值进行微调。
  • 建议使用OpenCV的cv2.createTrackbar功能创建一个交互式工具，动态调整HSV的上下限，以便在运行时观察效果并找到最佳范围。
  • 在定义范围时，可以适当扩大H、S、V的范围，以捕获更广泛的颜色变体，但要注意避免误检其他颜色。
• 图像预处理：
  • 在进行颜色分割之前，对图像进行适当的预处理可以提高检测效果。例如，使用cv2.GaussianBlur()进行高斯模糊可以有效去除图像中的高频噪声，减少inRange操作产生的小噪声点。
• 形态学操作：
  • cv2.inRange()生成的二值掩码可能存在一些小的噪声点（“椒盐噪声”）或不连续的区域。
  • 可以使用形态学操作（如cv2.erode腐蚀和cv2.dilate膨胀）来优化掩码。腐蚀可以消除小块的白色噪声点，而膨胀可以连接断裂的区域，填充小孔洞，使目标区域更完整，从而提高轮廓检测的准确性。
  • 例如：

    kernel = np.ones((5,5), np.uint8) # 定义一个5x5的核
    mask = cv2.erode(mask, kernel, iterations=1) # 腐蚀操作
    mask = cv2.dilate(mask, kernel, iterations=1) # 膨胀操作

• 处理多色检测：
  • 如果需要检测多种颜色，可以为每种颜色定义其独立的HSV范围，然后分别生成掩码。最后，可以通过逻辑或操作（cv2.bitwise_or）将多个颜色掩码合并，以同时高亮显示所有目标颜色。
• 性能考量：
  • 对于实时视频流应用，应考虑优化代码以减少计算量。例如，可以限制图像处理

今天关于《HSV颜色检测方法及实战技巧》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！