OpenCV 中有多种自适应颜色识别算法，以下为你介绍几种常见的算法： ### 自适应阈值法 自适应阈值法可根据图像局部区域的像素分布来确定阈值，从而实现颜色识别。在颜色空间转换后，能对特定颜色通道进行自适应阈值处理。例如在处理灰度图像时，可使用 `cv2.adaptiveThreshold` 函数。 ```python import cv2 import numpy as np # 读取图像 image = cv2.imread('your_image.jpg', 0) # 自适应阈值处理 thresh = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) cv2.imshow('Adaptive Thresholding', thresh) cv2.waitKey(0) cv2.destroyAllWindows() ``` 该算法的优势在于能适应图像不同区域的光照变化，缺点是对于颜色复杂的图像，可能无法精准地识别特定颜色。 ### K - 均值聚类算法 K - 均值聚类算法是一种无监督学习算法，可将图像像素点根据颜色特征划分为不同的类别。在 OpenCV 中，使用 `cv2.kmeans` 函数实现。 ```python import cv2 import numpy as np # 读取图像 image = cv2.imread('your_image.jpg') # 转换为一维数组 pixel_values = image.reshape((-1, 3)) pixel_values = np.float32(pixel_values) # 定义停止条件 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2) # 设定簇的数量 k = 3 _, labels, centers = cv2.kmeans(pixel_values, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS) # 转换回 8 位整数 centers = np.uint8(centers) segmented_data = centers[labels.flatten()] # 重塑为原始图像大小 segmented_image = segmented_data.reshape(image.shape) cv2.imshow('Segmented Image', segmented_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` K - 均值聚类算法的优点是可以自动发现图像中的主要颜色类别，不过其聚类结果依赖于初始中心的选择，且需要预先指定聚类的数量。 ### 基于 HSV 颜色空间的自适应颜色分割 将图像从 BGR 颜色空间转换到 HSV 颜色空间，能更方便地对颜色进行分割。因为 HSV 颜色空间将颜色信息和亮度信息分离，能更好地适应不同光照条件。 ```python import cv2 import numpy as np # 读取图像 image = cv2.imread('your_image.jpg') # 转换到 HSV 颜色空间 hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义颜色范围 lower_color = np.array([30, 150, 50]) upper_color = np.array([255, 255, 180]) # 创建掩码 mask = cv2.inRange(hsv, lower_color, upper_color) # 应用掩码 result = cv2.bitwise_and(image, image, mask=mask) cv2.imshow('Color Segmentation', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这种方法的好处是对特定颜色的识别较为准确，能有效减少光照变化的影响，但需要手动调整颜色范围。