提高颜色识别准确性的实用方法提高颜色识别准确性的实用方法王景琦在计算机视觉与图像处理领域，精准的颜色识别至关重要，从

提高颜色识别准确性的实用方法

王景琦

在计算机视觉与图像处理领域，精准的颜色识别至关重要，从工业检测到智能安防，从医疗影像分析到日常的图像编辑应用，都离不开它。但在实际操作中，要实现准确的颜色识别并非易事。今天，就为大家详细介绍提高颜色识别准确性的实用方法。

1. 理解颜色空间

颜色空间众多，而 HSV（Hue, Saturation, Value）颜色空间在颜色识别中应用广泛，因其对光照变化的鲁棒性强于常见的 RGB 颜色空间。Hue 代表色调，决定颜色种类，在 OpenCV 中取值范围通常是 0 - 180；Saturation 为饱和度，体现颜色鲜艳度，取值 0 - 255；Value 即亮度，反映颜色明亮程度，取值也是 0 - 255。深入理解 HSV 颜色空间，是精准调整颜色范围的基础。

2. 确定初始颜色范围

可参考常见颜色在 HSV 颜色空间的大致范围作为起始点。例如，红色的色调范围大致在 0 - 10 和 160 - 180，饱和度 100 - 255，亮度 100 - 255；绿色色调为 35 - 85，饱和度与亮度同红色要求；蓝色色调在 90 - 130，饱和度和亮度范围一致。这些初始范围能为后续精细调整提供方向。

3. 使用交互式工具调整范围

借助 OpenCV 强大的轨迹条（Trackbar）功能，能打造一个便捷的交互式调整工具。通过滑动轨迹条，可实时改变 HSV 颜色范围，并同步观察颜色识别效果。相关代码如下：

import cv2 as cv
import numpy as np

def nothing(x):
    pass

# 创建窗口
cv.namedWindow('Trackbars')

# 创建轨迹条
cv.createTrackbar('HMin', 'Trackbars', 0, 179, nothing)
cv.createTrackbar('SMin', 'Trackbars', 0, 255, nothing)
cv.createTrackbar('VMin', 'Trackbars', 0, 255, nothing)
cv.createTrackbar('HMax', 'Trackbars', 179, 179, nothing)
cv.createTrackbar('SMax', 'Trackbars', 255, 255, nothing)
cv.createTrackbar('VMax', 'Trackbars', 255, 255, nothing)

cap = cv.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    hsv = cv.cvtColor(frame, cv.COLOR_BGR2HSV)

    # 获取轨迹条当前位置
    hMin = cv.getTrackbarPos('HMin', 'Trackbars')
    sMin = cv.getTrackbarPos('SMin', 'Trackbars')
    vMin = cv.getTrackbarPos('VMin', 'Trackbars')
    hMax = cv.getTrackbarPos('HMax', 'Trackbars')
    sMax = cv.getTrackbarPos('SMax', 'Trackbars')
    vMax = cv.getTrackbarPos('VMax', 'Trackbars')

    lower = np.array([hMin, sMin, vMin])
    upper = np.array([hMax, sMax, vMax])

    mask = cv.inRange(hsv, lower, upper)
    result = cv.bitwise_and(frame, frame, mask=mask)

    cv.imshow('Original', frame)
    cv.imshow('Mask', mask)
    cv.imshow('Result', result)

    if cv.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv.destroyAllWindows()

代码中，利用cv.createTrackbar创建了 6 个轨迹条，分别对应 HSV 的最小值和最大值调整。在循环内，通过cv.getTrackbarPos获取实时位置，生成相应的 HSV 范围。运用cv.inRange函数生成掩码，将处于指定范围的像素设为白色，其余为黑色。最后，使用cv.bitwise_and将掩码应用到原始图像，呈现识别结果。这种直观的交互方式，让我们能快速找到合适的颜色范围

4.优化颜色范围

(1) 缩小范围使用交互式工具时，逐步缩小 HSV 范围，直至仅识别出目标颜色，最大程度减少其他颜色干扰。比如，若要识别特定的绿色物体，可不断微调绿色色调、饱和度和亮度的上下限，让识别更精准。 (2) 考虑光照变化面对不稳定的光照条件，适当放宽饱和度和亮度范围，可提升颜色识别对光照变化的适应性。例如在室内灯光忽明忽暗的环境下，将饱和度和亮度范围适当扩大，能避免因光照变化导致的颜色误判。 (3) 处理特殊颜色（如红色）红色在 HSV 颜色空间中不连续，需分两个范围处理。代码示例如下：

# 红色的HSV范围
lower_red1 = np.array([0, 100, 100])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([160, 100, 100])
upper_red2 = np.array([180, 255, 255])

# 创建两个掩码
mask1 = cv.inRange(hsv, lower_red1, upper_red1)
mask2 = cv.inRange(hsv, lower_red2, upper_red2)

# 合并两个掩码
mask = cv.bitwise_or(mask1, mask2)

通过分别设置两个红色范围，生成两个掩码，再合并掩码，确保完整识别红色。

5. 验证和测试

调整好颜色范围后，务必在不同光照条件和多样场景下进行全面测试。比如在户外强光、室内弱光、阴天等不同光照环境，以及复杂背景、目标物体部分遮挡等场景下，检验颜色识别的准确性与稳定性。若识别效果不理想，需再次返回交互式调整步骤，重新优化颜色范围。掌握这些提高颜色识别准确性的方法，能助力大家在计算机视觉项目中更高效、精准地完成颜色识别任务，为图像分析与处理打下坚实基础。