如何使用Python OpenCV统计指定色值范围内的像素数量

推荐使用HSV色彩空间阈值筛选的方案，相比直接在RGB空间判断，HSV的色调维度可以直接区分颜色类别，不受亮度、饱和度变化干扰，更匹配人眼对「相近颜色」的判定逻辑，而且OpenCV自带的原生函数效率极高，不需要手动遍历像素。

具体步骤 #

• 步骤1：将OpenCV默认读取的BGR格式图像转换为HSV色彩空间
• 步骤2：设定目标颜色对应的HSV上下阈值，阈值范围越大，匹配的相近色越多
• 步骤3：调用cv2.inRange()生成符合颜色范围的二值掩码
• 步骤4：调用cv2.countNonZero()统计掩码中白色像素的总数，就是符合要求的像素数量

完整代码示例 #

import cv2
import numpy as np

# 读取本地图像
img = cv2.imread("test.jpg")
# 转换为HSV色彩空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 浅青绿色的HSV阈值，可根据实际需求调整范围
# H取值范围0-180，S、V取值范围0-255
lower_bound = np.array([80, 40, 40])
upper_bound = np.array([100, 255, 255])

# 生成掩码：符合范围的像素为255，不符合为0
mask = cv2.inRange(hsv, lower_bound, upper_bound)

# 统计符合要求的像素总数
total = cv2.countNonZero(mask)
print(f"匹配的像素总数：{total}")

补充说明 #

• 如果你不确定阈值怎么设置，可以做一个带滑动条的调试小工具，实时调整阈值看掩码匹配效果，找到最合适的范围。
• 如果你坚持要在RGB空间做匹配，也可以直接把lower_bound和upper_bound换成RGB的阈值范围，把inRange的输入换成原图即可，只是RGB空间的匹配容易受光照明暗影响，误差会更大。
• 该方案所有运算都是OpenCV底层优化实现，哪怕是4K分辨率的大图也能毫秒级出结果，远快于Python层面的像素遍历。

内容的提问来源于stack exchange，提问作者Matthias