Python 如何选择正确的 HSV 范围进行颜色检测的上下界限

在本文中，我们将介绍使用cv::inRange函数（OpenCV）进行颜色检测时，如何选择正确的HSV范围的上下界限。

什么是HSV模型？

HSV即色相（Hue）、饱和度（Saturation）、亮度（Value），是一种常用的颜色模型。相比于RGB模型，HSV模型更符合人类对颜色的感知。

HSV模型将颜色的属性分解为三个维度：
– 色相（Hue）表示颜色的基本属性，定义了颜色在色谱上的位置。
– 饱和度（Saturation）表示颜色的纯净程度或者说鲜艳度，越高则颜色越纯。
– 亮度（Value）表示颜色的明亮程度，越高则颜色越明亮。

通过调整HSV模型中的这三个参数，我们可以选择想要的颜色范围进行检测。

HSV颜色范围选择

通常，我们可以使用基础的图像处理函数来选择颜色的HSV范围。其中，cv::inRange函数可以帮助我们标记出位于特定HSV范围内的颜色。

下面是一个使用cv::inRange函数进行颜色检测的示例：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg')

# 转换颜色空间为HSV
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 设置颜色范围
lower_range = np.array([20, 100, 100])
upper_range = np.array([30, 255, 255])

# 根据颜色范围创建掩码
mask = cv2.inRange(hsv_image, lower_range, upper_range)

# 可视化结果
cv2.imshow('Original Image', image)
cv2.imshow('Mask', mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述示例中，首先读取了一张彩色图像，然后将图像从BGR颜色空间转换为HSV颜色空间。接着，我们使用np.array函数定义了所需颜色的上下界限，并使用cv::inRange函数创建了掩码。最后，通过OpenCV提供的可视化函数展示原始图像和颜色掩码。

如何选择正确的HSV范围

为了选择正确的HSV范围，我们可以遵循以下步骤：

首先，观察待检测的颜色。可以通过将颜色拍摄到图像中，然后使用图像编辑软件（如Photoshop）来获取该颜色的HSV值。或者在代码中使用颜色选择器来获取HSV值。
根据获取到的HSV值，估计出该颜色的上下界限。颜色的上下界限可以通过在HSV空间中进行微调来实现。
使用上述示例代码进行颜色检测，并不断调整上下界限，直到达到理想的效果。根据实际应用场景需要，可以选择增大或减小饱和度、亮度等参数。
如果存在光线条件变化较大的情况，可以考虑通过动态调整HSV范围的方式来应对。

需要注意的是，不同光照条件下，HSV值可能会发生变化，因此选择合适的HSV范围需要根据实际应用场景进行调整。

例子

为了更好地理解如何选择正确的HSV范围，以下是一个具体的实例：

在这个例子中，我们将使用OpenCV来检测一张图片中蓝色物体的颜色。

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg')

# 转换颜色空间为HSV
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 设置颜色范围
lower_range = np.array([90, 100, 100])
upper_range = np.array([130, 255, 255])

# 根据颜色范围创建掩码
mask = cv2.inRange(hsv_image, lower_range, upper_range)

# 可视化结果
cv2.imshow('Original Image', image)
cv2.imshow('Mask', mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

上述代码中，我们使用颜色选择器获取了蓝色的HSV值，并据此设置了蓝色的上下界限。然后，我们使用cv::inRange函数创建了一个针对蓝色的颜色掩码，并展示了原始图像和掩码。

通过不断微调上下界限，我们可以选择出理想的颜色范围，从而实现颜色检测。