你可能已经对RGB颜色模型非常熟悉了，但在图像处理，特别是颜色检测与分割任务中，HSV（色相、饱和度、明度）模型往往更直观、更实用。它的设计更贴近人眼感知色彩的方式，因此许多实际项目在开始阶段就会将图像从RGB转换到HSV空间进行处理。
HSV 的基本参数
HSV的三个分量各有其独特特性：
- 色相（Hue, H）：用角度表示，范围为0°到360°，从红色开始逆时针旋转。红色位于0°，绿色120°，蓝色240°；补色也很容易记住——黄色60°，青色180°，紫色300°。
- 饱和度（Saturation, S）：简单来说，就是颜色的“纯净程度”。一种颜色可以看作是光谱色与白色混合的结果，光谱色占比越高，饱和度就越高，颜色就越鲜艳浓郁。当完全不含白光时，饱和度达到100%（即纯光谱色），取值通常为0%~100%。
- 明度（Value, V）：表示颜色的明亮程度。对于光源色，明度与发光体的光亮度有关；对于物体色，则取决于物体的透射比或反射比，光照对其影响最大。取值从0%（黑色）到100%（白色）。
OpenCV 中的转换与二值化
OpenCV中读取图片默认采用BGR格式（而非RGB），因此转换时需要使用 cv2.COLOR_BGR2HSV。具体实现代码非常简洁：
转换完成后，通常需要借助 cv2.inRange 进行二值化处理。这个函数比 threshold() 更加灵活——threshold 只能处理单通道图像，而 inRange 可以直接对多通道图像（如HSV的三通道）进行操作。
cv2.inRange 的用法
调用格式非常简单：img = cv2.inRange(hsv, lower, upper)
- 第一个参数是待处理的HSV图像；
- 第二个参数
lower是下界——低于该值的像素会被置为0； - 第三个参数
upper是上界——高于该值的像素同样会被置为0。
换句话说，落在lower 和 upper 之间的像素变为255（白色），范围之外的像素变为0（黑色）。如果原始图像是彩色三维数组，那么 lower 和 upper 也必须为数组类型，每个分量分别对应 H、S、V 的阈值范围。
处理完成后得到一张二值图像——你要提取的颜色区域显示为白色，其余区域显示为黑色，后续就可以专门对白色区域进行形态学处理、轮廓提取等操作。
举个实际例子
下面这张图中，我们希望提取水杯（黑色部分）：
经过 inRange 处理后得到的结果：
可以看到杯子基本被分离出来了，但由于猫耳朵和背景角落也存在黑色区域，加上杯子本身的黑色不够纯净（含有一些白点），结果中会出现少量噪点。这属于正常现象，后续可以通过开闭运算或滤波操作来消除这些噪点。
为什么颜色检测更倾向于使用 HSV 而非 RGB
在实际项目中，光照变化是最常见的棘手问题之一。如果场景中存在阴影或亮斑，RGB三个分量的值都会发生剧烈波动，调整参数时需要逐个通道反复调试，效果往往也不理想。
而HSV模型的核心优势在于：色相 H 基本不受光照影响（阴影或亮斑通常不会改变物体本身的色相），真正受光照影响的主要是明度 V。因此，当遇到光源不稳定、场景明暗变化大的情况时，你只需要重点调整 V 的阈值范围，就能较好地适应光照变化，比调整RGB三个通道省时省力，而且效果更加稳定。
总的来说，HSV是颜色检测领域中的“老朋友”，深入理解这三个维度的含义后，处理起来会得心应手很多。