在 OpenCV 中，颜色是以 BGR（蓝、绿、红）顺序表示的。对于纯红色而言，在 BGR 色彩空间中的值为 `(0, 0, 255)`，其中蓝色和绿色分量均为 `0`，而红色分量为最大值 `255` 表示最亮的红色[^1]。 然而，当处理更复杂的场景时，比如通过 HSV 颜色模型来检测红色区域，则需要定义两个不同的阈值范围。这是因为红色位于 HSV 空间的两端。具体来说： - **第一个红色范围**：`(0, 43, 46)` 到 `(10, 255, 255)` - **第二个红色范围**：`(156, 43, 46)` 到 `(180, 255, 255)` 这两个范围覆盖了 HSV 空间中所有的红色色调[^3]。为了实现完整的红色识别，可以通过以下方式将两部分结果合并： ```cpp inRange(imgHSV, Scalar(156, 43, 46), Scalar(180, 255, 255), ce1); inRange(imgHSV, Scalar(0, 43, 46), Scalar(10, 255, 255), ce2); add(ce1, ce2, result); ``` 此代码片段展示了如何利用 `cv::inRange()` 函数分别计算两个红色区间内的掩码，并最终通过 `cv::add()` 将它们组合起来形成总的红色区域掩码[^3]。 ### 注意事项 尽管在 BGR 模型下可以直接指定 `(0, 0, 255)` 来代表红色，但在实际应用中通常建议转换到 HSV 或其他更适合于特定任务的颜色空间来进行颜色分割与识别工作。因为相比于 RGB/BGR，HSV 对光照变化更加鲁棒，能够更好地描述人类感知意义上的“颜色”。 #### 示例代码展示如何从一张图片提取红色部分并显示出来： ```python import cv2 import numpy as np # 加载原始图像 img = cv2.imread('example.jpg') # 转换成HSV模式 hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 定义低高两个红色边界条件 lower_red_1 = np.array([0, 43, 46]) upper_red_1 = np.array([10, 255, 255]) lower_red_2 = np.array([156, 43, 46]) upper_red_2 = np.array([180, 255, 255]) # 创建对应范围下的掩膜 mask_red_1 = cv2.inRange(hsv_img, lower_red_1, upper_red_1) mask_red_2 = cv2.inRange(hsv_img, lower_red_2, upper_red_2) # 合并两个掩膜得到完整红色区域 final_mask = mask_red_1 | mask_red_2 # 应用掩膜至原图查看效果 red_only_image = cv2.bitwise_and(img, img, mask=final_mask) # 显示结果 cv2.imshow("Red Part Only", red_only_image) cv2.waitKey(0) cv2.destroyAllWindows() ```