基于颜色的目标Bounding Box绘制（Python）技术求助

嘿，我来帮你搞定基于颜色的目标Bounding Box绘制！你之前的代码是用灰度图轮廓检测的思路，换成颜色检测的话，核心是先通过颜色空间分割出目标区域，再提取轮廓画框，我给你梳理完整的实现方案：

1. 确定目标颜色的HSV范围 #

OpenCV默认的颜色空间是BGR，但HSV空间对颜色的区分度更高，更适合做颜色分割。你需要先找到目标颜色对应的HSV上下阈值——比如红色在HSV里有两个区间（因为色相环是0-180，红色在两端），其他颜色一般是单个区间。

2. 生成颜色掩码并去除噪点 #

把原图转成HSV后，用cv2.inRange()生成只保留目标颜色的掩码，再通过腐蚀+膨胀的形态学操作去掉掩码里的小噪点，让目标区域更清晰。

3. 提取轮廓并绘制Bounding Box #

和你之前的思路类似，找到掩码里的轮廓后，过滤掉太小的无效轮廓，用cv2.boundingRect()获取框的坐标，最后用cv2.rectangle()在原图上画出框。

import cv2
import numpy as np
import os

# 读取目标图片
img = cv2.imread('1 (2).png')
# 将BGR格式转为HSV颜色空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 示例：红色目标的HSV阈值（你需要根据自己的目标颜色调整）
# 红色在HSV中有两个区间，需要合并掩码
lower_red = np.array([0, 120, 70])
upper_red = np.array([10, 255, 255])
lower_red2 = np.array([170, 120, 70])
upper_red2 = np.array([180, 255, 255])

# 创建颜色掩码：只保留目标颜色区域
mask1 = cv2.inRange(hsv, lower_red, upper_red)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask = mask1 | mask2

# 形态学操作：先腐蚀去噪，再膨胀还原目标区域
kernel = np.ones((5,5), np.uint8)
mask = cv2.erode(mask, kernel, iterations=1)
mask = cv2.dilate(mask, kernel, iterations=2)

# 查找掩码中的轮廓（只提取最外层轮廓）
contours, hierarchy = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 遍历每个轮廓，绘制Bounding Box
for cnt in contours:
    # 过滤掉面积过小的杂点轮廓（阈值根据你的图片调整）
    if cv2.contourArea(cnt) > 50:
        # 获取Bounding Box的坐标(x,y)和宽高(w,h)
        x, y, w, h = cv2.boundingRect(cnt)
        # 在原图上绘制绿色矩形框（BGR格式），线宽2
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
        
        # 可选：绘制目标中心点（和你之前的代码逻辑呼应）
        M = cv2.moments(cnt)
        if M['m00'] != 0:  # 避免除以0的异常
            cx = int(M['m10'] / M['m00'])
            cy = int(M['m01'] / M['m00'])
            cv2.circle(img, (cx, cy), 3, (0, 0, 255), -1)

# 显示结果窗口
cv2.imshow('Color-based Bounding Boxes', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

• 怎么获取目标颜色的HSV值？
  可以用这段小代码快速转换：

  # 比如你想查BGR红色(0,0,255)的HSV值
  bgr_color = np.uint8([[[0, 0, 255]]])
  hsv_color = cv2.cvtColor(bgr_color, cv2.COLOR_BGR2HSV)[0][0]
  print(hsv_color)
  

  得到基础值后，上下浮动色相±10、饱和度/明度±50左右，就能得到合适的阈值范围。

• 优化建议
  如果是光线不稳定的场景，可以考虑用自适应阈值或者颜色直方图匹配来提升鲁棒性；轮廓面积的阈值要根据你的图片分辨率和目标大小灵活调整。

内容的提问来源于stack exchange，提问作者Zeyad