### 使用 OpenCV 进行 HSV 图像分割并生成色相范围表格 要使用 OpenCV 实现基于 HSV 颜色空间的图像分割，并最终生成各色相范围的统计表格，以下是详细的解决方案： --- #### 1. **加载图像并转换到 HSV 空间** OpenCV 默认读取的图像是 BGR 格式，因此需要先将其转换为 HSV 格式。HSV 是一种更适合描述颜色的空间，其中 H（色调）、S（饱和度）和 V（亮度）分别表示颜色的不同属性。 ```python import cv2 import numpy as np from collections import Counter # 加载图像并转换为 HSV 格式 image = cv2.imread('input_image.jpg') hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) ``` 此处的操作将原始图像从 BGR 转换到了 HSV 空间[^1]。 --- #### 2. **定义色相范围** 根据标准 HSV 定义，H 值范围为 `[0, 179]`（在 OpenCV 中）。为了便于后续操作，可以预先定义常见的色相区间及其对应的名称。 ```python hue_ranges = { '红色': ((0, 10), (160, 179)), # 红色分为两部分：低红区和高红区 '橙色': (10, 20), '黄色': (20, 35), '绿色': (35, 85), '青色': (85, 105), '蓝色': (105, 130), '紫色': (130, 160) } ``` 以上代码片段定义了常见颜色的 HSV-H 范围[^2]。 --- #### 3. **逐像素分类并计数** 遍历图像中的每一个像素点，判断其属于哪个预定义的色相范围，并记录数量。 ```python height, width = hsv_image.shape[:2] hue_counts = {color: 0 for color in hue_ranges.keys()} for y in range(height): for x in range(width): h_value = hsv_image[y, x][0] # 提取当前像素的 H 值 matched_color = None for color, ranges in hue_ranges.items(): if isinstance(ranges, tuple) and len(ranges) == 2: # 处理双区间情况（如红色） low_range, high_range = ranges if low_range[0] <= h_value <= low_range[1] or high_range[0] <= h_value <= high_range[1]: matched_color = color break elif isinstance(ranges, tuple) and len(ranges) == 1: # 单区间情况 if ranges[0] <= h_value <= ranges[1]: matched_color = color break if matched_color is not None: hue_counts[matched_color] += 1 ``` 这段代码实现了对每个像素点的 H 值进行分类，并累加对应颜色的数量[^3]。 --- #### 4. **生成结果表格** 最后，将统计的结果整理成易于阅读的表格形式。 ```python total_pixels = height * width table_data = [] print(f"{'Color':<10} {'Count':<10} {'Percentage (%)'}") for color, count in hue_counts.items(): percentage = (count / total_pixels) * 100 table_row = f"{color:<10} {count:<10} {percentage:.2f}" table_data.append(table_row) for row in table_data: print(row) ``` 这一步会输出一个包含颜色、像素数量及占比百分比的表格[^4]。 --- ### 注意事项 - 上述方法假设输入图像已去除了噪声干扰。如果存在复杂背景或其他因素影响，则需增加额外的预处理步骤，例如模糊滤波或边缘检测。 - 如果某些颜色的比例非常小甚至接近于零，可根据实际情况调整阈值或者忽略这些类别。 ---