K230基础-颜色识别

第十八章 颜色识别-K230视觉系统的色彩感知能力

🎯 本章目标：
掌握在 K230（CanMV 平台）上实现颜色识别的完整方法，学会通过 find_blobs() 函数检测特定颜色区域，结合阈值调试、形态学处理、多颜色识别与应用实战，构建基于颜色的智能系统（如颜色分拣、循迹、交互控制）。

---

1. 颜色识别基础原理

1.1 什么是颜色识别？

颜色识别是从图像中检测出具有特定颜色的区域，并获取其位置、大小、中心等信息。

• 核心方法：基于颜色空间的阈值分割
• 常用颜色空间：RGB、LUV、HSV
• K230 推荐：使用 LUV 或 RGB565 阈值

✅ 优势：

• 算法简单、速度快
• 适合嵌入式实时处理
• 无需训练模型

⚠️ 挑战：

• 受光照影响大
• 颜色边界模糊
• 相似颜色易误判

---

2. 颜色空间与阈值

2.1 RGB565 颜色空间

• 每像素 16 位：R(5) + G(6) + B(5)
• 范围：R: 031, G: 063, B: 0~31
• 不推荐直接用于阈值识别（受亮度影响大）

---

2.2 LUV 颜色空间（推荐）

K230 的 find_blobs() 内部将 RGB 转换为 LUV 空间进行处理：

通道	说明
L	亮度（Lightness）
U	色度（红-绿分量）
V	色度（黄-蓝分量）

✅ 优点：

• L 与 UV 解耦，抗光照变化
• 更适合颜色分割

---

2.3 阈值定义格式

threshold = (L_min, L_max, U_min, U_max, V_min, V_max)

📌 示例：

red_threshold   = (30, 100, 15, 127, 15, 127)   # 红色
green_threshold = (30, 100, -64, -8, -32, 32)   # 绿色
blue_threshold  = (0, 30, -128, -20, -128, -40) # 蓝色

🔧 调试建议：使用 OpenMV IDE 实时取色调整阈值。

---

3. 核心函数：find_blobs()

blobs = img.find_blobs(thresholds,roi=None,x_stride=1,y_stride=1,invert=False,area_threshold=10,pixels_threshold=10,merge=False,margin=0)

参数	说明
thresholds	颜色阈值列表 [(L_min,L_max,U_min,U_max,V_min,V_max), ...]
roi	感兴趣区域 (x, y, w, h)
area_threshold	最小面积（像素数）
pixels_threshold	最小像素数
merge	是否合并相邻区域
margin	合并时的边缘容忍像素

---

4. 实战项目一：单颜色识别（红色）

import sensor
import image
import time# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QQVGA)  # 160x120（提高帧率）
sensor.skip_frames(time=2000)# 定义红色阈值（LUV）
red_threshold = (30, 100, 15, 127, 15, 127)clock = time.clock()while True:clock.tick()img = sensor.snapshot()# 查找红色块blobs = img.find_blobs([red_threshold],pixels_threshold=100,area_threshold=100,merge=True)if blobs:for b in blobs:# 绘制矩形框img.draw_rectangle(b.rect(), color=(255, 0, 0), thickness=2)# 绘制中心十字img.draw_cross(b.cx(), b.cy(), color=(0, 255, 0), size=5)# 标注面积img.draw_string(b.x(), b.y()-12, f"Red: {b.pixels()}", color=(255, 255, 255))# 打印信息print(f"红色块: 中心=({b.cx()}, {b.cy()}), 面积={b.pixels()}, 宽高=({b.w()}, {b.h()})")else:print("未检测到红色")fps = clock.fps()img.draw_string(10, 10, f"FPS: {fps:.1f}", color=(255, 255, 0))

---

5. 实战项目二：多颜色识别（RGB 三色）

# 定义三种颜色阈值
thresholds = [(30, 100, 15, 127, 15, 127),    # 红(30, 100, -64, -8, -32, 32),    # 绿(0, 30, -128, -20, -128, -40)   # 蓝
]color_names = ["Red", "Green", "Blue"]
color_colors = [(255, 0, 0), (0, 255, 0), (0, 0, 255)]while True:img = sensor.snapshot()blobs = img.find_blobs(thresholds,pixels_threshold=150,area_threshold=150,merge=True)detected = [0, 0, 0]  # 红、绿、蓝计数for b in blobs:# b.code() 返回匹配的阈值索引（1~n）idx = b.code() - 1if idx < len(color_names):name = color_names[idx]draw_color = color_colors[idx]img.draw_rectangle(b.rect(), color=draw_color, thickness=2)img.draw_cross(b.cx(), b.cy(), color=(255, 255, 255), size=5)img.draw_string(b.x(), b.y()-12, name, color=draw_color)print(f"检测到 {name}: 位置=({b.cx()}, {b.cy()}), 面积={b.pixels()}")detected[idx] += 1# 统计结果print(f"统计: 红={detected[0]}, 绿={detected[1]}, 蓝={detected[2]}")

---

6. 实战项目三：颜色循迹小车（黑白线检测）

6.1 检测黑色引导线

# 黑色阈值（低亮度）
black_threshold = (0, 30, -128, 127, -128, 127)sensor.set_framesize(sensor.QQVGA)
sensor.set_pixformat(sensor.RGB565)# 定义 ROI：仅检测图像下半部分（车道区域）
roi = (0, 80, 160, 40)while True:img = sensor.snapshot()blobs = img.find_blobs([black_threshold],roi=roi,pixels_threshold=50,merge=True)if blobs:# 取最大 blob（最可能是主线）main_blob = max(blobs, key=lambda b: b.pixels())img.draw_rectangle(main_blob.rect(), color=(255, 0, 0))img.draw_cross(main_blob.cx(), main_blob.cy(), color=(0, 255, 0))# 计算偏差（用于控制小车）deviation = main_blob.cx() - (img.width() // 2)  # 偏差量print(f"偏差: {deviation}")# 可输出 PWM 控制信号# left_pwm = base - k * deviation# right_pwm = base + k * deviationelse:print("未检测到黑线")

---

7. 高级技巧与优化

7.1 动态阈值调整（光照自适应）

def get_adaptive_threshold(img, x, y, w, h):stat = img.get_statistics(roi=(x, y, w, h))l_mean = stat.l_mean()l_stdev = stat.l_stdev()return (l_mean - l_stdev, l_mean + l_stdev, -128, 127, -128, 127)# 使用
adaptive_thresh = get_adaptive_threshold(img, 80, 60, 40, 40)
blobs = img.find_blobs([adaptive_thresh])

✅ 用途：应对光照变化

---

7.2 形态学滤波去噪

# 先二值化（可选）
img.binary([(128, 255)], invert=True)# 腐蚀 + 膨胀（去噪）
img.erode(1)
img.dilate(1)

✅ 建议：在 find_blobs 前使用，提升稳定性

---

7.3 多级检测策略

# 第一级：低分辨率快速检测
sensor.set_framesize(sensor.QQVGA)
blobs = img.find_blobs([...])if blobs:# 第二级：高分辨率精细检测sensor.set_framesize(sensor.QVGA)# 对目标区域重点分析

---

8. 常见问题与调试

❌ 问题1：颜色识别不稳定

解决：

• 固定光照环境
• 使用 LUV 空间
• 增加 pixels_threshold 过滤小噪声
• 使用 ROI 限制检测区域

❌ 问题2：误识别相似颜色

优化：

• 精确调整 U/V 范围
• 使用 merge=False 查看原始分割
• 结合形状特征二次判断

❌ 问题3：find_blobs() 返回空

排查：

• 摄像头是否正确初始化？
• 阈值范围是否合理？
• 图像是否为 RGB565 格式？

---

9. 性能与实际应用

操作	耗时（QQVGA）
find_blobs	815ms
形态学处理	25ms
ROI 检测	更快（区域小）

✅ 典型应用：

• 智能分拣机器人
• 颜色寻迹小车
• 工业流水线检测
• 智能家居颜色控制

---

✅ 本章你已掌握：

• LUV 颜色空间与阈值定义
• find_blobs() 核心函数使用
• 单色/多色识别实战
• 颜色循迹应用
• 动态阈值与抗干扰优化

---