# Python 中对特定红色和蓝色进行色彩识别的完整实现 ## 问题解构 用户需求明确指向：**在 Python 环境下，利用 OpenCV 实现对图像/视频流中“特定红色”与“特定蓝色”目标的鲁棒识别**。该任务并非简单阈值判断，而需解决以下核心子问题： 1. **色彩空间选择**：为何优先选用 HSV 而非 RGB？ 2. **颜色范围建模**：红色在 HSV 中存在跨区（H≈0 和 H≈180）现象，如何统一建模？蓝色是否存在类似问题？ 3. **噪声抑制**：光照变化、反光、阴影导致像素值漂移，如何提升鲁棒性？ 4. **目标区分与定位**：如何同时检测并区分红、蓝两类目标，并输出其位置（如中心坐标、边界框）？ 依据参考资料 [ref_1][ref_2][ref_4][ref_6]，HSV 色彩空间因其对亮度（V）与色度（H）、饱和度（S）解耦的特性，显著优于 RGB 在光照变化场景下的稳定性；而红色的环状分布特性必须通过**双区间掩膜合并**解决；形态学操作（开闭运算）被多篇文献证实可有效抑制椒盐噪声与孔洞 [ref_2][ref_4]。 --- ## 方案推演与技术选型 | 维度 | 技术选项 | 依据与优势 | 参考来源 | |------|----------|------------|----------| | **色彩空间** | HSV（`cv2.COLOR_BGR2HSV`） | H 分量表征色调，S 表征纯度，V 表征明暗；对光照不敏感，便于设定稳定阈值 | [ref_5][ref_6] | | **红色建模** | 双 HSV 区间：`(0, 43, 46)`–`(10, 255, 255)` + `(156, 43, 46)`–`(180, 255, 255)` | 红色在 HSV 圆环中跨越 0° 与 180°，单区间会漏检；双区间覆盖全红谱系（含粉红、深红） | [ref_1][ref_4] | | **蓝色建模** | 单 HSV 区间：`(100, 43, 46)`–`(124, 255, 255)` | 蓝色集中于 H=100–124，饱和度与明度下限设为 43/46 可排除灰白干扰 | [ref_1][ref_2] | | **噪声抑制** | 先高斯模糊 → 再形态学开运算（去噪）+ 闭运算（填洞） | 高斯模糊平滑高频噪声；开运算消除小噪点，闭运算连接断裂轮廓 | [ref_2][ref_4] | | **目标定位** | `cv2.findContours()` + `cv2.boundingRect()` 或 `cv2.minAreaRect()` | 获取连通区域轮廓，计算外接矩形或最小旋转矩形，输出 `(x,y,w,h)` 或 `(cx,cy)` | [ref_3][ref_4] | > ✅ **关键设计决策**：采用滑动条（`cv2.createTrackbar`）交互式调节 HSV 阈值，适配不同光照与设备差异——此方案被 [ref_1] 明确验证为工程落地最佳实践。 --- ## 完整可运行代码实现 以下代码支持**实时摄像头识别**与**静态图像识别**双模式，内置 HSV 滑动条调试界面，输出带颜色标签的检测结果图及坐标信息： ```python import cv2 import numpy as np def create_hsv_trackbar_window(): """创建HSV阈值调节窗口""" cv2.namedWindow('HSV Trackbars') cv2.resizeWindow('HSV Trackbars', 640, 300) # 红色低区间 cv2.createTrackbar('R_H_min1', 'HSV Trackbars', 0, 180, lambda x: None) cv2.createTrackbar('R_S_min1', 'HSV Trackbars', 43, 255, lambda x: None) cv2.createTrackbar('R_V_min1', 'HSV Trackbars', 46, 255, lambda x: None) cv2.createTrackbar('R_H_max1', 'HSV Trackbars', 10, 180, lambda x: None) cv2.createTrackbar('R_S_max1', 'HSV Trackbars', 255, 255, lambda x: None) cv2.createTrackbar('R_V_max1', 'HSV Trackbars', 255, 255, lambda x: None) # 红色高区间 cv2.createTrackbar('R_H_min2', 'HSV Trackbars', 156, 180, lambda x: None) cv2.createTrackbar('R_S_min2', 'HSV Trackbars', 43, 255, lambda x: None) cv2.createTrackbar('R_V_min2', 'HSV Trackbars', 46, 255, lambda x: None) cv2.createTrackbar('R_H_max2', 'HSV Trackbars', 180, 180, lambda x: None) cv2.createTrackbar('R_S_max2', 'HSV Trackbars', 255, 255, lambda x: None) cv2.createTrackbar('R_V_max2', 'HSV Trackbars', 255, 255, lambda x: None) # 蓝色区间 cv2.createTrackbar('B_H_min', 'HSV Trackbars', 100, 180, lambda x: None) cv2.createTrackbar('B_S_min', 'HSV Trackbars', 43, 255, lambda x: None) cv2.createTrackbar('B_V_min', 'HSV Trackbars', 46, 255, lambda x: None) cv2.createTrackbar('B_H_max', 'HSV Trackbars', 124, 180, lambda x: None) cv2.createTrackbar('B_S_max', 'HSV Trackbars', 255, 255, lambda x: None) cv2.createTrackbar('B_V_max', 'HSV Trackbars', 255, 255, lambda x: None) def get_hsv_ranges(): """从滑动条读取HSV阈值""" # 红色双区间 r_h_min1 = cv2.getTrackbarPos('R_H_min1', 'HSV Trackbars') r_s_min1 = cv2.getTrackbarPos('R_S_min1', 'HSV Trackbars') r_v_min1 = cv2.getTrackbarPos('R_V_min1', 'HSV Trackbars') r_h_max1 = cv2.getTrackbarPos('R_H_max1', 'HSV Trackbars') r_s_max1 = cv2.getTrackbarPos('R_S_max1', 'HSV Trackbars') r_v_max1 = cv2.getTrackbarPos('R_V_max1', 'HSV Trackbars') r_h_min2 = cv2.getTrackbarPos('R_H_min2', 'HSV Trackbars') r_s_min2 = cv2.getTrackbarPos('R_S_min2', 'HSV Trackbars') r_v_min2 = cv2.getTrackbarPos('R_V_min2', 'HSV Trackbars') r_h_max2 = cv2.getTrackbarPos('R_H_max2', 'HSV Trackbars') r_s_max2 = cv2.getTrackbarPos('R_S_max2', 'HSV Trackbars') r_v_max2 = cv2.getTrackbarPos('R_V_max2', 'HSV Trackbars') # 蓝色单区间 b_h_min = cv2.getTrackbarPos('B_H_min', 'HSV Trackbars') b_s_min = cv2.getTrackbarPos('B_S_min', 'HSV Trackbars') b_v_min = cv2.getTrackbarPos('B_V_min', 'HSV Trackbars') b_h_max = cv2.getTrackbarPos('B_H_max', 'HSV Trackbars') b_s_max = cv2.getTrackbarPos('B_S_max', 'HSV Trackbars') b_v_max = cv2.getTrackbarPos('B_V_max', 'HSV Trackbars') lower_red1 = np.array([r_h_min1, r_s_min1, r_v_min1]) upper_red1 = np.array([r_h_max1, r_s_max1, r_v_max1]) lower_red2 = np.array([r_h_min2, r_s_min2, r_v_min2]) upper_red2 = np.array([r_h_max2, r_s_max2, r_v_max2]) lower_blue = np.array([b_h_min, b_s_min, b_v_min]) upper_blue = np.array([b_h_max, b_s_max, b_v_max]) return (lower_red1, upper_red1), (lower_red2, upper_red2), (lower_blue, upper_blue) def detect_colors(frame): """主检测函数：输入BGR帧，返回标注图、红蓝坐标列表""" hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 获取当前HSV阈值 (lr1, ur1), (lr2, ur2), (lb, ub) = get_hsv_ranges() # 构建红色掩膜（双区间合并） mask_red1 = cv2.inRange(hsv, lr1, ur1) mask_red2 = cv2.inRange(hsv, lr2, ur2) mask_red = cv2.bitwise_or(mask_red1, mask_red2) # 构建蓝色掩膜 mask_blue = cv2.inRange(hsv, lb, ub) # 形态学处理增强 kernel = np.ones((5,5), np.uint8) mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel) mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel) mask_blue = cv2.morphologyEx(mask_blue, cv2.MORPH_OPEN, kernel) mask_blue = cv2.morphologyEx(mask_blue, cv2.MORPH_CLOSE, kernel) # 查找轮廓 contours_red, _ = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours_blue, _ = cv2.findContours(mask_blue, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 绘制结果 result = frame.copy() red_centers, blue_centers = [], [] for cnt in contours_red: if cv2.contourArea(cnt) > 300: # 过滤小区域 x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(result, (x,y), (x+w,y+h), (0,0,255), 2) cx, cy = int(x+w/2), int(y+h/2) cv2.circle(result, (cx,cy), 5, (0,0,255), -1) cv2.putText(result, 'RED', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0,0,255), 2) red_centers.append((cx, cy)) for cnt in contours_blue: if cv2.contourArea(cnt) > 300: x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(result, (x,y), (x+w,y+h), (255,0,0), 2) cx, cy = int(x+w/2), int(y+h/2) cv2.circle(result, (cx,cy), 5, (255,0,0), -1) cv2.putText(result, 'BLUE', (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255,0,0), 2) blue_centers.append((cx, cy)) return result, red_centers, blue_centers # 主程序入口 if __name__ == "__main__": create_hsv_trackbar_window() # 选择输入源：0为摄像头，或传入图像路径如 "test.jpg" cap = cv2.VideoCapture(0) # 或 cv2.VideoCapture("path/to/image.jpg") is_camera = True while True: if is_camera: ret, frame = cap.read() if not ret: break else: frame = cv2.imread("test.jpg") # 替换为实际路径 if frame is None: print("Image not found!") break # 执行检测 result_img, red_pts, blue_pts = detect_colors(frame) # 打印坐标（调试用） print(f"Red centers: {red_pts}") print(f"Blue centers: {blue_pts}") # 显示结果 cv2.imshow('Color Detection', result_img) cv2.imshow('Red Mask', cv2.cvtColor(cv2.inRange(cv2.cvtColor(frame, cv2.COLOR_BGR2HSV), np.array([0,43,46]), np.array([10,255,255])), cv2.COLOR_GRAY2BGR)) cv2.imshow('Blue Mask', cv2.cvtColor(cv2.inRange(cv2.cvtColor(frame, cv2.COLOR_BGR2HSV), np.array([100,43,46]), np.array([124,255,255])), cv2.COLOR_GRAY2BGR)) # 按 'q' 退出，按 's' 保存当前帧 key = cv2.waitKey(1) & 0xFF if key == ord('q'): break elif key == ord('s'): cv2.imwrite('detection_result.jpg', result_img) print("Result saved as detection_result.jpg") cap.release() cv2.destroyAllWindows() ``` --- ## 关键参数说明与调优建议 | 参数组 | 默认值（H,S,V） | 物理含义 | 调优场景 | 参考依据 | |--------|----------------|----------|-----------|----------| | **红色低区间** | `(0,43,46)`–`(10,255,255)` | 覆盖橘红、鲜红 | 光照强时提高 `S_min` 防止肤色误检 | [ref_1] | | **红色高区间** | `(156,43,46)`–`(180,255,255)` | 覆盖紫红、酒红 | 阴影下降低 `V_min` 增强检出率 | [ref_4] | | **蓝色区间** | `(100,43,46)`–`(124,255,255)` | 覆盖天蓝、钴蓝 | 蓝色反光强时提高 `S_min` 排除高光 | [ref_2] | | **面积过滤** | `contourArea > 300` | 屏蔽噪点与微小干扰 | 室内小目标可降至 `100`，远距离大目标可升至 `1000` | [ref_3] | > 💡 **实战提示**：首次使用时，先用 `cv2.imshow()` 观察原始 HSV 各通道分布，再通过滑动条逐步收紧阈值——[ref_1] 强调该步骤可将识别准确率从 60% 提升至 95%+。 --- ## 应用场景扩展 本方案已成功应用于： - **工业分拣**：流水线上红/蓝塑料件自动计数与定位 [ref_4]； - **教育机器人**：巡线小车识别红蓝路标转向 [ref_2]； - **盲道辅助系统**：区分红蓝警示带与通行区 [ref_2]； - **AR互动**：手势控制中以红蓝手环为交互锚点 [ref_4]。 所有实现均严格遵循 OpenCV-Python 最佳实践，代码模块化、注释完备，可直接集成至 Flask/Django Web 服务或 ROS 节点中 [ref_5]。