如何使用threshold方法自适应分离图像中任意深浅的红色区域

API 探路者

2026-10-5

红色自适应分离方案

核心思路

放弃纯BGR单通道处理逻辑，改用HSV颜色空间定位红色：红色的色相(H)通道取值范围固定，不受亮度、饱和度影响，对微弱红色的识别精度远高于单通道灰度阈值
改用红通道差值计算强化红色特征：通过红通道与蓝绿通道的差值放大红色区域和背景的差异，避免单一通道阈值受光照、对比度影响的问题
阈值处理后增加形态学后处理过滤噪点，提升掩膜质量

优化后可运行代码

import cv2
import numpy as np

def adaptive_red_extract(img):
    # 方法1：HSV阈值法 适配绝大多数场景
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    # 红色色相区间分为两段
    lower_red1 = np.array([0, 20, 10])
    upper_red1 = np.array([10, 255, 255])
    lower_red2 = np.array([170, 20, 10])
    upper_red2 = np.array([180, 255, 255])
    mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
    mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
    mask = mask1 | mask2
    
    # 动态调整饱和度阈值适配低红色含量图像
    # 统计非零像素占比，占比过低则降低S阈值
    red_ratio = np.count_nonzero(mask) / (img.shape[0] * img.shape[1])
    if red_ratio < 0.005: # 红色占比低于0.5%时放宽阈值
        lower_red1[1] = 5
        lower_red2[1] = 5
        mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
        mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
        mask = mask1 | mask2
    
    # 形态学去噪
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1)
    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=1)
    
    # 提取红色区域
    red = cv2.bitwise_and(img, img, mask=mask)
    return red, mask

# 偏好通道差方法可使用下方实现
def red_diff_extract(img):
    b, g, r = cv2.split(img)
    red_diff = cv2.subtract(r, cv2.add(g, b) // 2)
    # 对差值图做Otsu阈值
    _, mask = cv2.threshold(red_diff, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    red = cv2.bitwise_and(img, img, mask=mask)
    return red, mask