Python手动遍历像素二值化图像时if条件始终不成立排查

按以下优先级逐一排查即可定位问题：

• 先检查变量名一致性：你描述中存储目标RGB颜色的数组名为possible_colors_bg，但代码if判断中检索的列表是possible_colors_rgb，如果两个变量不是同一个对象，后者为空或存储了无关值，判断条件永远不会成立。
• 校验图像通道顺序：如果是通过OpenCV的cv2.imread接口读取的图像，默认通道顺序为BGR而非RGB，提取到的像素三元组顺序为(蓝,绿,红)，和你预存的(红,绿,蓝)元组数值顺序错位，肉眼看颜色一致但数值完全不匹配。可以先定位一个你确定符合要求的像素，打印tuple(image[x, y])和预存的目标值直接对比顺序。
• 校验像素值类型与范围：在循环中加打印语句print(image[x,y].dtype, tuple(image[x,y]))查看实际像素值：
  • 如果图像做过归一化预处理，像素值会是0_{1区间的浮点数，和你预存的0}255区间整数色值完全无法匹配
  • 若图像位深不是8位（比如16位图像、32位浮点图），像素值范围也会超出0~255，同样匹配失败
• 排查精确匹配的合理性：肉眼看起来一致的颜色，很可能因为JPEG压缩、抗锯齿、边缘模糊、色彩空间转换等原因，和你预存的色值有1~10个数值的偏差，这种场景下用in做完全相等判断必然漏判。建议改成计算像素与目标色的曼哈顿距离/欧氏距离，小于设定容差就算匹配，不要做精确等值判断。

参考修正代码 #

import numpy as np

# 如果是OpenCV读取的BGR图，先转成RGB顺序保证通道一致
# image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 配置参数
color_tolerance = 5  # 颜色匹配容差，根据实际效果调整
target_colors = np.array(possible_colors_rgb, dtype=image.dtype)
# 新建输出画布避免修改原图干扰判断
binary_img = np.zeros_like(image)

for x in range(image.shape[0]):
    for y in range(image.shape[1]):
        current_pixel = image[x, y]
        # 计算当前像素和所有目标色的最小色差
        min_color_diff = np.min(np.sum(np.abs(target_colors - current_pixel), axis=1))
        if min_color_diff <= color_tolerance:
            binary_img[x, y] = [255, 255, 255]
        else:
            binary_img[x, y] = [0, 0, 0]

内容的提问来源于stack exchange，提问作者Neskelogth