大家好～ 今天给大家分享两个超实用的OpenCV颜色识别小项目，全程用Python编写，代码直接复制就能跑通，不管你是刚接触计算机视觉的新手，还是想快速实现简单颜色检测需求的开发者，这篇博客都能帮到你！

一、实战一：实时中心区域颜色识别

先给大家看一下这个功能的效果：打开摄像头后，画面中心会出现一个绿色的矩形框，把红、黄、绿、蓝四种颜色的物体放到这个框里，程序会自动识别出物体的颜色，并且在控制台打印出来，关闭摄像头只需要按一下ESC键就可以。

这个功能非常适合新手入门，代码逻辑简单，没有复杂的算法，主要是让大家熟悉OpenCV的图像读取、颜色空间转换、像素遍历等基础操作，下面我们一步步拆解代码，每一行都讲清楚，保证大家能看懂。

1.1 完整代码（直接复制就能跑）

import cv2


def get_color(img):
    H = []
    color_name = None
    img = cv2.resize(img, (640, 480))
    HSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    cv2.rectangle(img, (280, 180), (360, 260), (0, 255, 0), 2)
    for i in range(280, 360):
        for j in range(180, 260):
            H.append(HSV[j, i][0])

    H_min = min(H)
    H_max = max(H)

    if H_min >= 0 and H_max <= 10 or H_min >= 156 and H_max <= 180: color_name = 'red'
    elif H_min >= 26 and H_max <= 34:
        color_name = 'yellow'
    elif H_min >= 35 and H_max <= 77:
        color_name = 'green'
    elif H_min >= 100 and H_max <= 124:
        color_name = 'blue'
    print(color_name)
    return img, color_name


cap = cv2.VideoCapture(0)
while 1:
    _, frame = cap.read()
    img, cal = get_color(frame)
    cv2.imshow('', img)
    if cv2.waitKey(1) == 27:
        break

1.2 代码逐行拆解

很多新手看代码的时候，容易被一堆函数吓到，其实只要把每个函数、每一行代码的作用搞清楚，就会发现非常简单，我们从开头一步步往下讲：

1. 导入OpenCV库：import cv2，这一行是所有OpenCV项目的基础，就相当于我们打开了一个图像处理的工具箱，后面所有的操作都要靠这个库来实现。

2. 定义颜色识别函数：def get_color(img):，这个函数是整个功能的核心，作用是接收摄像头读取的图像，然后识别出图像中心区域的颜色，最后返回处理后的图像和识别出的颜色名称。

3. 初始化变量：H = [] 用来存储中心区域所有像素的“色相值”（后面会讲），color_name = None 用来存储识别出的颜色名称，初始值为None，也就是还没识别出颜色。

4. 统一图像尺寸：img = cv2.resize(img, (640, 480))，这一步非常重要！不同摄像头的分辨率不一样，读取的图像尺寸也会不同，统一调整为640×480，能避免后续识别区域偏移，保证代码在不同设备上都能正常运行。

5. 颜色空间转换：HSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)，这是颜色识别的关键一步，也是新手最容易踩坑的地方！

这里跟大家简单科普一下：OpenCV读取图像时，默认是BGR颜色空间（蓝、绿、红），而我们人眼看到的是RGB颜色空间（红、绿、蓝），更重要的是，RGB颜色空间对光照非常敏感——比如同样一个红色物体，在强光下和弱光下，RGB值会相差很大，识别准确率会大幅下降。

而HSV颜色空间就完美解决了这个问题，它把颜色拆分成三个独立的部分：H（色相，决定颜色本身，比如红、黄、蓝）、S（饱和度，决定颜色的鲜艳程度）、V（明度，决定颜色的明暗程度）。我们只需要关注H值，就能精准判断颜色，不受光照影响，这也是为什么我们要把BGR转换成HSV的原因。

6. 绘制中心识别框：cv2.rectangle(img, (280, 180), (360, 260), (0, 255, 0), 2)，这一行代码的作用是在图像上画一个绿色的矩形框，作为颜色识别的区域。

给大家解释一下参数：(img)是要绘制的图像，(280, 180)是矩形框的左上角坐标，(360, 260)是右下角坐标，(0, 255, 0)是矩形框的颜色（绿色，BGR格式），2是矩形框的线条宽度。这个矩形框的大小是80×80像素，刚好在画面中心，既能避免背景干扰，又能准确捕捉目标物体。

7. 遍历中心区域像素，提取H值：

for i in range(280, 360):
    for j in range(180, 260):
        H.append(HSV[j, i][0])

这是一个双重循环，作用是遍历我们刚才画的矩形框内的所有像素，然后把每个像素的H值（色相值）添加到H列表中。这里要注意一个小细节：OpenCV的坐标原点在左上角，x轴向右，y轴向下，所以HSV[j, i][0]才是正确的像素取值方式，新手很容易写成HSV[i, j][0]，导致提取的H值错误，识别失败。

8. 计算H值的最大和最小值：H_min = min(H)、H_max = max(H)，因为矩形框内的像素可能有轻微的颜色差异，计算最大和最小值，能更精准地判断整个区域的颜色。

9. 根据H值判断颜色：这是核心判断逻辑，我们根据HSV颜色空间中不同颜色的H值范围，来判断中心区域的颜色。

这里给大家整理了代码中用到的颜色阈值（OpenCV中H值的取值范围是0~180），大家可以直接套用：

• 红色：H值在0~10 或 156~180（红色比较特殊，在HSV空间中分为两段，这也是新手容易忽略的点，少写一段就会导致红色识别失败）；

• 黄色：H值在26~34；

• 绿色：H值在35~77；

• 蓝色：H值在100~124。

这里有个小技巧：如果大家发现识别不准确，可以稍微调整这些阈值范围，比如红色的阈值可以改成0~15 或 150~180，根据自己的光照环境微调即可。

10. 打印识别结果：print(color_name)，把识别出的颜色名称打印到控制台，方便我们查看识别效果。

11. 返回结果：return img, color_name，把处理后的图像（带有绿色识别框）和识别出的颜色名称返回，供后续显示使用。

12. 初始化摄像头：cap = cv2.VideoCapture(0)，0表示电脑的默认摄像头，如果你的电脑有多个摄像头，可以改成1、2等，具体可以自己测试。

13. 循环读取摄像头画面：

while 1:
    _, frame = cap.read()
    img, cal = get_color(frame)
    cv2.imshow('', img)
    if cv2.waitKey(1) == 27:
        break

这是一个无限循环，作用是实时读取摄像头的画面：_, frame = cap.read() 读取每一帧画面，img, cal = get_color(frame) 调用我们刚才定义的颜色识别函数，处理画面并获取识别结果，cv2.imshow('', img) 显示处理后的画面（带有绿色识别框）。

最后一行 if cv2.waitKey(1) == 27: break 是退出条件，27是ESC键的ASCII码，按下ESC键，就会退出循环，关闭摄像头。

1.3 实操效果与常见问题解决

运行代码后，会自动打开摄像头，画面中心出现绿色矩形框，把红色物体（比如苹果）放到框里，控制台会打印“red”；把黄色物体（比如柠檬）放进去，打印“yellow”，以此类推，识别准确率还是很高的。

二、实战二：指定颜色过滤与掩码提取（进阶实用功能）

学会了基础的颜色识别，我们再来升级一个实用功能——指定颜色过滤。这个功能的效果是：打开摄像头后，只保留画面中你指定的颜色（比如绿色），其他颜色都会变成黑色，同时还会显示一个黑白掩码（白色是目标颜色，黑色是背景），非常适合后续的目标追踪、颜色分割等场景，比如工业分拣、智能小车循迹等都能用到这个功能。

这个功能比第一个稍微复杂一点，但核心还是HSV颜色空间和阈值判断，下面我们同样拆解代码，新手也能轻松看懂。

2.1 完整代码（直接复制就能跑）

import cv2
import numpy as np

cap = cv2.VideoCapture(0)

while True:
    try:
        ret, frame3 = cap.read()
        hsv_image = cv2.cvtColor(frame3, cv2.COLOR_BGR2HSV)
        lower_brown = np.array([35, 43, 46])
        upper_brown = np.array([77, 255, 255])

        mask = cv2.inRange(hsv_image, lower_brown, upper_brown)
        result = cv2.bitwise_and(frame3, frame3, mask=mask)
        cv2.imshow('mask', mask)
        cv2.imshow('Filtered Image1', frame3)
        cv2.imshow('result', result)

        if cv2.waitKey(1) == 27:
            break
    except:
        pass

cap.release()
cv2.destroyAllWindows()

2.2 代码逐行拆解（重点讲和第一个功能的区别）

这个代码和第一个功能有很多相似之处，我们重点讲不同的地方，相似的地方就不再重复，节省大家的时间：

1. 导入库：除了导入cv2，还导入了numpy库（import numpy as np），numpy是Python的数值计算库，主要用来创建颜色阈值的数组，因为OpenCV的颜色阈值需要用numpy数组来表示，这也是为什么我们安装环境时要安装numpy的原因。

2. 初始化摄像头：和第一个功能一样，cap = cv2.VideoCapture(0) 调用默认摄像头。

3. 循环读取画面（加了异常处理）：

while True:
    try:
        ret, frame3 = cap.read()
        # 中间代码省略
    except:
        pass

这里加了try-except异常处理，作用是防止摄像头读取失败（比如突然断开摄像头）导致程序崩溃，即使出现异常，程序也能继续运行，比第一个功能更稳定，这个小技巧大家可以记下来，以后写OpenCV程序都能用到。

另外，ret, frame3 = cap.read() 中的ret是一个布尔值，表示是否成功读取到画面，如果ret为False，说明摄像头读取失败，会触发异常处理。

4. 颜色空间转换：hsv_image = cv2.cvtColor(frame3, cv2.COLOR_BGR2HSV)，和第一个功能一样，把BGR转换成HSV，避免光照干扰。

5. 设置目标颜色的HSV阈值：

lower_brown = np.array([35, 43, 46])
upper_brown = np.array([77, 255, 255])

这是这个功能的核心！我们通过设置HSV的上下限阈值，来指定要过滤的颜色。这里要注意，HSV的三个分量分别是H、S、V，所以每个数组的三个数值，分别对应H的下限、S的下限、V的下限，以及H的上限、S的上限、V的上限。

大家可能会疑惑，代码里写的是lower_brown（棕色下限），但这个阈值其实是绿色的HSV阈值（H：35~77，S：43~255，V：46~255），应该是作者写代码时命名错误，大家不用在意，重点看阈值数值即可。

这里给大家整理了几种常见颜色的HSV阈值，大家可以直接替换代码中的阈值，实现不同颜色的过滤：

• 红色：lower_red = np.array([0, 43, 46])，upper_red = np.array([10, 255, 255])；还有一段是lower_red2 = np.array([156, 43, 46])，upper_red2 = np.array([180, 255, 255])，如果要过滤红色，需要把两个阈值的掩码合并；

• 黄色：lower_yellow = np.array([26, 43, 46])，upper_yellow = np.array([34, 255, 255])；

• 蓝色：lower_blue = np.array([100, 43, 46])，upper_blue = np.array([124, 255, 255])；

• 绿色：lower_green = np.array([35, 43, 46])，upper_green = np.array([77, 255, 255])（代码中用的就是这个阈值）。

这里有个小技巧：如果不知道某个颜色的HSV阈值，可以用OpenCV自带的阈值调试工具，后面我会给大家分享，轻松获取任意颜色的阈值。

6. 生成颜色掩码：mask = cv2.inRange(hsv_image, lower_brown, upper_brown)，这是颜色过滤的核心函数，作用是根据我们设置的HSV阈值，生成一个二值化的掩码图像。

简单来说，掩码图像只有黑白两种颜色：画面中符合HSV阈值的像素（目标颜色）会变成白色（像素值255），不符合阈值的像素（背景）会变成黑色（像素值0）。这个掩码就相当于一个“过滤器”，只允许目标颜色通过，后面我们会用这个掩码来提取目标颜色区域。

这里给新手提个醒：如果生成的掩码全黑或全白，说明阈值设置有问题，要么是阈值范围超出了HSV的有效区间（H：0~179，S/V：0~255），要么是颜色空间没转换（还是BGR格式），可以检查一下这两个地方，这也是新手最容易踩的坑之一。

7. 提取目标颜色区域：result = cv2.bitwise_and(frame3, frame3, mask=mask)，这行代码的作用是，将原图像和掩码进行按位与操作，只保留掩码中白色区域对应的原图像像素，也就是只保留目标颜色，其他区域都变成黑色。

举个例子：如果我们设置的是绿色阈值，那么result图像中，只有绿色的物体是清晰可见的，其他颜色的物体和背景都会变成黑色，这样就能精准提取出我们想要的颜色区域。

8. 显示三个窗口：

cv2.imshow('mask', mask)  # 显示掩码图像（黑白）
cv2.imshow('Filtered Image1', frame3)  # 显示原图像
cv2.imshow('result', result)  # 显示过滤后的图像（只保留目标颜色）

运行代码后，会弹出三个窗口，分别显示原图像、掩码图像和过滤后的图像，大家可以直观地看到颜色过滤的效果，非常清晰。

9. 退出条件和资源释放：和第一个功能类似，按下ESC键退出循环，最后用cap.release() 释放摄像头资源，cv2.destroyAllWindows() 关闭所有OpenCV窗口，避免程序卡死，这也是第二个功能比第一个功能更完善的地方。

2.3 实操效果与常见问题解决

运行代码后，弹出三个窗口：原图像窗口显示摄像头实时画面，掩码窗口显示黑白图像（白色是绿色区域），过滤结果窗口只显示绿色物体，其他区域都是黑色，效果非常明显。如果想过滤其他颜色，只需要替换代码中的HSV阈值即可。

四、总结与拓展：这两段代码能用到哪些地方？

今天给大家分享的两段代码，虽然简单，但实用性非常强，不管是新手练手，还是实际项目应用，都能用到，下面给大家拓展一下它们的应用场景，让大家知道学完这些能做什么。

1. 新手练手：这两段代码涵盖了OpenCV的核心基础操作（图像读取、颜色空间转换、像素遍历、掩码生成、窗口显示），是新手入门OpenCV的绝佳案例，看懂、跑通这两段代码，就能掌握OpenCV图像处理的基础技能，为后续学习更复杂的项目（比如人脸识别、目标追踪）打下基础。

2. 趣味小项目：可以基于这两段代码，开发一些趣味小项目，比如颜色识别小游戏（让用户猜颜色，程序判断对错）、智能调色板（提取画面中的颜色，生成对应的RGB值）、简易颜色分拣模拟器等，既能巩固知识，又能增加学习的乐趣。

3. 实际应用场景：

• 工业分拣：在流水线上安装摄像头，通过颜色识别，自动分拣不同颜色的产品（比如分拣红色和蓝色的零件）；

• 智能小车循迹：在小车上安装摄像头，通过颜色过滤，识别路面上的颜色轨迹（比如黑色轨迹），实现自动循迹；

• 垃圾分类：结合颜色识别和形状识别，自动区分不同颜色的垃圾（比如红色的塑料瓶、绿色的易拉罐）；

• 目标追踪：通过颜色过滤提取目标物体，然后结合跟踪算法，实现对目标物体的实时追踪（比如追踪红色的小球）。

最后，给大家说一句心里话：学习OpenCV不用一开始就追求复杂的算法，先从简单的小项目入手，把基础操作练熟，遇到问题多调试、多查资料，慢慢就能掌握技巧。今天分享的两段代码，大家一定要亲自跑一遍，修改一下参数、替换一下阈值，感受一下OpenCV的魅力，相信大家都能学会。

如果大家在运行代码的过程中遇到问题，或者有其他的需求（比如想优化代码、拓展功能），可以在评论区留言，我会一一回复大家，帮助大家解决问题。

另外，大家可以收藏这篇博客，以后需要用到颜色识别功能的时候，直接复制代码，稍微修改一下就能用，非常方便。后续我还会分享更多OpenCV实战项目，关注我，一起学习、一起进步！