### 使用Python和OpenCV检测图像中的红色和蓝色区域 为了实现这一功能，可以采用颜色阈值法，在HSV色彩空间中定义红色和蓝色的范围，并通过掩码提取对应的颜色区域。接着利用轮廓查找技术定位这些区域并记录它们的像素坐标。 #### 代码示例 ```python import cv2 import numpy as np # 加载图像 image_path = 'example_image.jpg' img = cv2.imread(image_path) if img is None: print("Error: 图像无法加载") else: # 将图像从BGR转换为HSV色彩空间 hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 定义蓝色的HSV范围 lower_blue = np.array([100, 150, 0]) upper_blue = np.array([140, 255, 255]) # 定义红色的HSV范围（分为两部分） lower_red1 = np.array([0, 150, 50]) # 红色的第一部分 (hue接近0) upper_red1 = np.array([10, 255, 255]) lower_red2 = np.array([170, 150, 50]) # 红色的第二部分 (hue接近180) upper_red2 = np.array([180, 255, 255]) # 创建蓝色和红色的掩码 mask_blue = cv2.inRange(hsv_img, lower_blue, upper_blue) mask_red1 = cv2.inRange(hsv_img, lower_red1, upper_red1) mask_red2 = cv2.inRange(hsv_img, lower_red2, upper_red2) # 合并红色的两个掩码 mask_red = mask_red1 | mask_red2 # 查找蓝色区域的轮廓 contours_blue, _ = cv2.findContours(mask_blue, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours_blue: moments = cv2.moments(cnt) if moments["m00"] != 0: cx = int(moments['m10'] / moments['m00']) cy = int(moments['m01'] / moments['m00']) print(f"蓝色区域中心坐标: ({cx}, {cy})") # 查找红色区域的轮廓 contours_red, _ = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours_red: moments = cv2.moments(cnt) if moments["m00"] != 0: cx = int(moments['m10'] / moments['m00']) cy = int(moments['m01'] / moments['m00']) print(f"红色区域中心坐标: ({cx}, {cy})") # 显示结果（可选） result = img.copy() cv2.drawContours(result, contours_blue, -1, (255, 0, 0), 2) # 绘制蓝色区域边界 cv2.drawContours(result, contours_red, -1, (0, 0, 255), 2) # 绘制红色区域边界 cv2.imshow("Detected Regions", result) cv2.waitKey(0) cv2.destroyAllWindows() ``` --- #### 解释 - **图像预处理**: 首先将图像从BGR色彩空间转换为HSV色彩空间[^1]，因为HSV更适合作为基础颜色的分割。 - **颜色范围设定**: 设定蓝色和红色在HSV空间中的上下限[^2]。对于红色，由于其Hue值跨越0°到180°两端，因此将其分成两个区间。 - **掩码生成**: 使用`cv2.inRange()`函数根据设定的颜色范围生成二值掩码[^3]。 - **轮廓查找**: 应用`cv2.findContours()`找到掩码中标记的目标区域轮廓[^4]。 - **质心计算**: 计算每个轮廓的几何矩以获得该区域的重心位置作为代表点[^5]。 ---