### 使用Python检测图片中的红色部分并计算其实际坐标 为了实现这一功能，可以采用 OpenCV 库来处理图像，并通过颜色阈值筛选出红色区域。随后，通过对这些区域进行轮廓分析，提取它们的边界框或质心作为实际坐标。 以下是完整的代码实现： ```python import cv2 import numpy as np def detect_red_regions(image_path): """ 检测图片中的红色部分并返回其实际坐标。 参数: image_path: str, 图像文件路径。 返回: red_centers: list of tuples, 红色区域的质心坐标列表。 """ # 加载图像 img = cv2.imread(image_path) if img is None: raise ValueError("无法加载指定路径的图像，请检查路径是否正确") # 转换为HSV色彩空间以便更好地分离颜色 hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 定义红色的颜色范围（考虑Hue循环特性） lower_red_1 = np.array([0, 100, 100]) upper_red_1 = np.array([10, 255, 255]) lower_red_2 = np.array([160, 100, 100]) upper_red_2 = np.array([180, 255, 255]) # 创建掩码 mask1 = cv2.inRange(hsv_img, lower_red_1, upper_red_1) mask2 = cv2.inRange(hsv_img, lower_red_2, upper_red_2) mask = mask1 | mask2 # 对掩码应用形态学操作以减少噪声 kernel = np.ones((5, 5), np.uint8) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 查找轮廓 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 初始化存储红色区域质心的列表 red_centers = [] # 遍历每个轮廓 for contour in contours: # 计算轮廓的面积，过滤掉过小的区域 area = cv2.contourArea(contour) if area < 100: # 设置最小面积阈值 continue # 获取包围盒 x, y, w, h = cv2.boundingRect(contour) # 计算质心 center_x = int(x + w / 2) center_y = int(y + h / 2) red_centers.append((center_x, center_y)) # （可选）绘制矩形和质心用于可视化 cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2) cv2.circle(img, (center_x, center_y), 5, (255, 0, 0), -1) # 显示结果图像（仅调试用途） cv2.imshow('Detected Red Regions', img) cv2.waitKey(0) cv2.destroyAllWindows() return red_centers # 示例调用 image_file = "example.jpg" red_region_coordinates = detect_red_regions(image_file) print(f"红色区域的坐标为: {red_region_coordinates}") ``` #### 解释 1. **图像预处理**: 将 BGR 图像转换为 HSV 色彩空间，因为 HSV 更适合区分颜色[^2]。 2. **定义红色范围**: 红色在 HSV 的 H 通道中跨越 0° 和 360° 边界，因此分为两部分分别设置阈值[^4]。 3. **形态学操作**: 使用闭运算填充可能存在的孔洞，从而提高后续轮廓检测的准确性[^2]。 4. **轮廓查找与过滤**: 找到所有符合条件的红色区域轮廓，并根据面积大小排除干扰项。 5. **计算质心**: 对于每一个有效轮廓，计算其包围盒以及对应的质心位置作为最终坐标[^3]。 --- ###