本次目标是将一副图像从rgb颜色空间转换到hsv颜色空间，颜色去除白色背景部分
具体就调用了cv2的两个函数，一个是rgb转hsv的函数
具体用法
hsv = cv2.cvtColor(rgb_image, cv2.COLOR_BGR2HSV)
然后利用cv2.inRange函数设阈值，去除背景部分
mask = cv2.inRange(hsv, lower_red, upper_red) #lower20===>0,upper200==>0,
函数很简单，参数有三个
第一个参数：hsv指的是原图
第二个参数：lower_red指的是图像中低于这个lower_red的值，图像值变为0
第三个参数：upper_red指的是图像中高于这个upper_red的值，图像值变为0
而在lower_red～upper_red之间的值变成255
lower_red = np.array([20, 20, 20]) upper_red = np.array([200, 200, 200]) mask = cv2.inRange(hsv, lower_red, upper_red) #lower20===>0,upper200==>0，lower～upper==>255
就是将低于lower_red和高于upper_red的部分分别变成0，lower_red～upper_red之间的值变成255
具体用法如下
hsv = cv2.cvtColor(rgb_image, cv2.COLOR_BGR2HSV) lower_red = np.array([20, 20, 20]) upper_red = np.array([200, 200, 200]) # mask -> 1 channel mask = cv2.inRange(hsv, lower_red, upper_red) #lower20===>0,upper200==>0
补充：色彩阀值化处理――openCV-python中inRange()等相关函数实测
色彩阀值化
在图像处理的过程中，使用各种形态学操作或者滤波的方式来突显我们关注的元素，同时降低噪声并减少干扰我们提取关键元素的影响项。除了这些方法外，我们可以在原图中先依据颜色的特征，提取出更为关键的像素。就像车道检测时，一般车道只有两种颜色：黄色和白色。所以我们可以在 RGB 色彩空间(Color Space) 对这两种颜色进行过滤从而提取出车道线的像素。
色彩空间：使用一组值（通常使用三个、四个值或者颜色成分）表示颜色方法的抽象数学模型。有利用原色相混的比例表示的色彩空间，如 RGB (Red, Green, Blue) 颜色空间; 也有利用不同的概念表示的色彩空间,如 HSV (色相 hue, 饱和度 saturation, 明度 value) 以及 HSL (色相 hue，饱和度 saturation，亮度 lightness/luminance) 。
在OpenCV中，RGB三通道的图像的读取 cv2.imread() 的结果是以 BGR 顺序排列的，而在使用matplotlib的 plt.imread() 时， 读取的通道排列顺序则为 RGB 。因此此处应当注意区别。
openCV中cv2.inRange()函数是实现该功能的关键，我们先看看官网对该函数的定义：
dst = cv.inRange( src, lowerb, upperb[, dst] )
检测数组元素是否位于其他两个元素之间。
该函数检测范围方式如下：
对于单通道输入的每个元素：
对于双通道输入：
同样应用于四通道
也就是说，如果src (I)在指定的1D, 2D, 3D，…框内则dst(I)为255，否则为0。当下边界和/或上边界参数为标量时，应省略上述公式中在上、下边界处的索引(I)。
各参数详细含义：
src 输入的数组
lowerb 下边界数组或标量.
upperb 上边界数组或标量.
dst 与src和CV_8U类型大小相同的输出数组。
接下来将结合简单的例子通过python更好地理解这个函数：
import matplotlib.pyplot as plt
import numpy as np
import cv2
# 对图片进行读取
img_cv2 = cv2.imread("D: estCVtest.jpg")
print(img_cv2)
为了方便理解，我用画板工具画了一个5×5像素点的红色图片。上述代码运行结果为：
[[[ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237]] [[ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237]] [[ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237]] [[ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237]] [[ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237] [ 36 27 237]]]
读者可以自行测试一下，B=36,G=27,R=237为红色。
# 创建RGB色彩空间 color_Low1 = np.array([30,27,237]) color_Low2 = np.array([39,27,237]) color_High = np.array([40,27,237]) # 对图片进行阀值化处理 img_dst1 = cv2.inRange(img_cv2,color_Low1,color_High) img_dst2 = cv2.inRange(img_cv2,color_Low2,color_High) #对结果进行打印 print(img_dst1," ", img_dst2) # 运行结果分别为 [[255 255 255 255 255] [255 255 255 255 255] [255 255 255 255 255] [255 255 255 255 255] [255 255 255 255 255]] [[0 0 0 0 0] [0 0 0 0 0] [0 0 0 0 0] [0 0 0 0 0] [0 0 0 0 0]]
可以看出，当图片中的像素点落在色彩空间时，输出结果全是255，当像素点不落在色彩空间是，输出结果全是0。对最终结果进行显示：
#对图像进行展示
cv2.imshow("origin_img",img_cv2)
cv2.imshow("dst_img1",img_dst1)
cv2.imshow("dst_img2",img_dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()
最终结果为一个红色、一个黑色的、一个白色的小点。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/hjxu2016/article/details/77834599