这问题我之前做交通标志检测时也碰到过，OpenCV的HSV范围确实容易搞混，尤其是不同工具的HSV刻度和常规设计不一样——OpenCV里H（色调）的范围是0-179，S（饱和度）和V（亮度）是0-255，这点要先明确，不然很容易和PS等工具的数值对不上。

下面给你针对白色、红色、黄色的具体范围设置，以及合并掩码的实现方法：

1. 白色的HSV范围 #

白色的核心特点是低饱和度+高亮度，几乎没有色彩倾向，所以H可以覆盖全范围：

• 下限：(0, 0, 200)
• 上限：(179, 25, 255)

微调建议：如果场景中有偏灰的浅白色，可把V的下限调低到180左右；如果想过滤掉接近白色的浅灰，可提高S的上限到30。

2. 黄色的HSV范围 #

黄色的色调集中在20-30区间，需要一定的饱和度和亮度来区分于白色：

• 下限：(20, 100, 100)
• 上限：(30, 255, 255)

微调建议：如果是偏暗的黄色交通标志，可把V的下限调低到80；如果是亮黄色，可适当提高S的下限到120。

3. 红色的HSV范围 #

红色比较特殊，因为它在HSV色轮的首尾两端，所以需要两个区间来覆盖完整的红色范围：

• 第一区间（偏橙红）：(0, 100, 100) 到 (10, 255, 255)
• 第二区间（偏紫红）：(160, 100, 100) 到 (179, 255, 255)

微调建议：如果是淡红色（比如褪色的标志），可把S的下限调低到80；如果是深红色，可提高V的下限到120。

合并掩码的代码实现 #

在OpenCV中，你需要分别创建每个颜色的掩码，再通过cv2.bitwise_or合并，最终过滤出目标颜色：

import cv2
import numpy as np

# 读取图像并转换为HSV格式（OpenCV默认是BGR，所以要转）
img = cv2.imread("your_image.jpg")
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义各颜色的HSV上下限
# 白色
lower_white = np.array([0, 0, 200])
upper_white = np.array([179, 25, 255])
# 黄色
lower_yellow = np.array([20, 100, 100])
upper_yellow = np.array([30, 255, 255])
# 红色（两个区间）
lower_red1 = np.array([0, 100, 100])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([160, 100, 100])
upper_red2 = np.array([179, 255, 255])

# 创建单个颜色的掩码
mask_white = cv2.inRange(hsv_img, lower_white, upper_white)
mask_yellow = cv2.inRange(hsv_img, lower_yellow, upper_yellow)
mask_red = cv2.bitwise_or(cv2.inRange(hsv_img, lower_red1, upper_red1), 
                          cv2.inRange(hsv_img, lower_red2, upper_red2))

# 合并所有颜色的掩码
total_mask = cv2.bitwise_or(mask_white, cv2.bitwise_or(mask_yellow, mask_red))

# 应用掩码到原图像，得到保留目标颜色的结果
filtered_img = cv2.bitwise_and(img, img, mask=total_mask)

# 展示结果
cv2.imshow("Filtered Result", filtered_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

实用调试技巧 #

• 用滑动条实时调整：写个小脚本创建HSV滑动条，动态查看掩码效果，能快速找到适配你场景的精确数值，比硬调参数高效得多。
• 处理光照干扰：如果图像有强光或阴影，可调整V的上下限——强光下提高V上限，阴影下降低V下限；同时可先对图像做高斯模糊（cv2.GaussianBlur），减少噪声对颜色检测的影响。
• 测试不同场景：同一颜色在不同光照、天气下的HSV表现差异很大，建议多拿几张实际场景的图片测试调整。

内容的提问来源于stack exchange，提问作者Ahmet Tıkna