### Python 图像处理中的色差检测与标识 为了实现图片的颜色差异识别并标注，可以利用 OpenCV 和 PIL 库完成这一目标。以下是具体方法： #### 使用 OpenCV 进行颜色空间转换和阈值分割 OpenCV 提供了丰富的功能来操作图像的颜色通道以及应用各种滤波器。可以通过将 RGB 颜色空间转换到其他更易于区分色彩的空间（如 HSV 或 YUV），以便更好地分离特定颜色区域。 ```python import cv2 import numpy as np # 加载原始图像 image = cv2.imread("initial.bmp") # 将 BGR 转换为 HSV (Hue, Saturation, Value) hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 定义要查找的颜色范围（例如红色） lower_red = np.array([0, 120, 70]) upper_red = np.array([10, 255, 255]) mask = cv2.inRange(hsv_image, lower_red, upper_red) # 对原图进行掩码操作，仅保留指定颜色部分 result = cv2.bitwise_and(image, image, mask=mask) cv2.imshow('Original Image', image) cv2.imshow('Masked Region', result) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码展示了如何基于 HSV 的色调(Hue)、饱和度(Saturation)和亮度(Value)，定义一个颜色区间，并提取该区间的像素[^3]。 #### 利用PIL计算两幅图像之间的绝对色差 对于两张相同尺寸的图像 A 和 B ，如果希望找到它们之间存在的显著颜色变化，则可采用逐像素比较的方式测量其欧几里得距离或者曼哈顿距离作为衡量标准之一。 ```python from PIL import ImageChops, ImageStat from PIL import Image imgA = Image.open("imageA.png").convert('RGB') imgB = Image.open("imageB.png").convert('RGB') diff_img = ImageChops.difference(imgA, imgB).convert('L') stat = ImageStat.Stat(diff_img) print(f"Differences: {sum(stat.mean)}") threshold_value = 30 # 设定阈值用于判断是否属于明显差别 binary_diff = diff_img.point(lambda p: p > threshold_value and 255) binary_diff.show() # 显示二值化后的差异图 ``` 此脚本会生成一幅灰阶图像表示两个输入源间每一点上的平均偏差程度；再经由设定好的临界点筛选出真正意义上的变动位置[^2]。 #### 结合两者绘制边界框或其他形式标记 一旦确定哪些部位存在较大区别之后，就可以进一步运用轮廓发现算法找出连通域，并围绕这些区域画上矩形边框加以强调说明。 ```python contours, hierarchy = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2:] for contour in contours: x,y,w,h = cv2.boundingRect(contour) cv2.rectangle(result,(x,y),(x+w,y+h),(0,255,0),2) cv2.imshow('Detected Regions with Boxes', result) cv2.waitKey(0); cv2.destroyAllWindows(); ``` 以上程序片段能够自动定位所有满足条件的目标对象，并在其周围加上绿色方框予以突出展示效果[^1]。