### 使用Python和OpenCV检测图像中的蓝色和红色区域 为了实现这一目标，可以利用颜色阈值技术分离特定的颜色范围，并通过轮廓查找方法提取这些颜色对应的区域及其像素坐标。以下是完整的解决方案： #### 代码示例 ```python import cv2 import numpy as np # 加载图像 img = cv2.imread("example_image.jpg") if img is None: print("Error: 图像无法加载") else: # 转换到HSV色彩空间以便更容易区分颜色 hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 定义蓝色和红色的HSV范围 lower_blue = np.array([100, 150, 0]) upper_blue = np.array([140, 255, 255]) 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]) # 创建掩码用于过滤蓝色和红色区域 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) mask_red = mask_red1 | mask_red2 # 合并两个红色掩码 # 查找蓝色区域的轮廓 contours_blue, _ = cv2.findContours(mask_blue, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for contour in contours_blue: moments = cv2.moments(contour) 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 contour in contours_red: moments = cv2.moments(contour) 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})") # 可视化结果（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("Result", result) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 解释 - **图像转换至HSV色彩空间**: HSV色彩空间更适合基于颜色的分割[^1]。 - **定义颜色范围**: 对于蓝色和红色分别设置合理的HSV阈值[^3]。 - **创建掩码**: 利用`inRange`函数生成二值掩码，仅保留指定颜色范围内的像素[^2]。 - **寻找轮廓**: `findContours`函数用于检测掩码中连通域的边缘[^3]。 - **计算质心**: 借助几何矩(`moments`)计算每一块区域的重心作为代表点。 #### 注意事项 此程序假设输入图像是彩色的(BGR)，并且能够正常读取。如果遇到错误提示“图像无法加载”，请确认路径无误且文件存在。