从这一章开始，我们正式进入计算机视觉的世界。前面学的 C++ 语法和 CMake 配置，在这里都会变成你的生产力工具。
很多新人觉得图像处理很玄学，其实把底层的窗户纸捅破之后非常简单：在计算机眼里，根本没有什么风景、小球或道具，只有一张由长宽坐标和数字组成的二维或三维矩阵。
这一章把图像在内存里的存储结构、怎么提取特定颜色的道具、以及如何在实际调试中动态调参彻底拆开讲透。

一、数字图像的本质#

现实世界的光线通过镜头投射到相机的感光元件（CMOS）上，CMOS 上的每个感光点把光强转换成电压信号，再经过模数转换（ADC），就变成了计算机能读取的离散数字。

1
图像尺寸：1920 × 1080
2
意味着横向有 1920 个像素点，纵向有 1080 行，整张图一共有约 207 万个像素格子。

灰度图（单通道）：每个像素点只需要一个数字表示明暗程度。通常用一个 uint8_t（0~255），0 代表纯黑，255 代表纯白。
彩色图（三通道）：人眼的视网膜对红、绿、蓝三种波长的光最敏感。为了还原真实色彩，每个像素点需要 3 个数字分别记录蓝、绿、红三原色的强度分量。

二、cv::Mat：OpenCV 的核心数据结构#

在 OpenCV 的 C++ 接口中，几乎所有图像操作都是围绕 cv::Mat（Matrix 的缩写）展开的。

2.1 Mat 的内部组成#

一个 cv::Mat 对象在内存里分为两部分：

1
┌─────────────────────────────────┐
2
│         cv::Mat 矩阵头          │
3
│  - 尺寸 (rows=480, cols=640)     │
4
│  - 通道数 (channels=3)           │
5
│  - 数据类型 (CV_8UC3)            │
6
│  - 引用计数器                    │
7
│  - data 指针 ───────────────────┼──┐
8
└─────────────────────────────────┘  │
9
                                     │  指向堆内存
10
                                     ▼
11
┌────────────────────────────────────────────────────────┐
12
│                      连续的像素内存块                   │
13
│ [B0, G0, R0] [B1, G1, R1] [B2, G2, R2] ... (共 640×480)│
14
└────────────────────────────────────────────────────────┘

矩阵头（Header）：存储图像的基本元信息（长、宽、通道数、步长等），体积很小，通常只有几十个字节，分配在栈上。
像素数据区（Data）：存储真正的像素字节流，体积很大（一张 1080P 彩色图约占 6MB 内存），分配在堆上。

2.2 为什么是 BGR 而不是 RGB？#

刚接触 OpenCV 的人经常会遇到颜色反常的问题：把图画出来发现红色的东西全变成了蓝色。

这是因为 OpenCV 默认的色彩通道排列顺序是 B-G-R（蓝-绿-红），而不是日常习惯的 R-G-B。每个像素在内存中挨着的 3 个字节依次是：

第 1 字节：Blue（蓝色分量，0~255）
第 2 字节：Green（绿色分量，0~255）
第 3 字节：Red（红色分量，0~255）

这是早期相机硬件和 Windows DIB 位图格式留下的历史习惯，OpenCV 一直沿用至今。调用标准函数时必须记住这个顺序。

2.3 浅拷贝与深拷贝陷阱#

这是用 C++ 写 OpenCV 最容易写出隐蔽 Bug 的地方。

1
cv::Mat img1 = cv::imread("ball.jpg");
2

3
// 浅拷贝：直接用赋值号
4
cv::Mat img2 = img1;

上面的代码执行完后，img2 并不会复制一份新的像素内存！它只是把 img1 的矩阵头复制了一份，底下的 data 指针依然指向同一块内存区域。
如果你对 img2 涂抹画线，img1 里的图像也会被一并修改！

如果确实需要克隆一份完全独立、互不干扰的图像副本，必须显式调用 clone()：

1
// 深拷贝：开辟全新内存并完整复制像素
2
cv::Mat img3 = img1.clone();

2.4 像素访问方式#

虽然大部分时候我们调用现成算子，但在写一些特定逻辑（比如检查某点颜色）时，需要直接读写某个像素。常用的有两种方式：

方式 A：`at` 方法（带类型检查，写着直观）#

1
// 获取第 100 行、第 200 列像素的 BGR 分量
2
// 注意传参顺序是 (y, x)，即 (行, 列)
3
cv::Vec3b pixel = img.at<cv::Vec3b>(100, 200);
4

5
uint8_t b = pixel[0]; // 蓝
6
uint8_t g = pixel[1]; // 绿
7
uint8_t r = pixel[2]; // 红
8

9
// 修改该像素为纯红色
10
img.at<cv::Vec3b>(100, 200) = cv::Vec3b(0, 0, 255);

方式 B：指针遍历（最高效，处理整张图时使用）#

1
// 逐行获取裸数据指针，适合写性能敏感的图像遍历算法
2
for (int row = 0; row < img.rows; row++) {
3
    const uint8_t* ptr = img.ptr<uint8_t>(row);
4
    for (int col = 0; col < img.cols; col++) {
5
        uint8_t b = ptr[col * 3 + 0];
6
        uint8_t g = ptr[col * 3 + 1];
7
        uint8_t r = ptr[col * 3 + 2];
8
        // ...
9
    }
10
}

三、色彩空间转换：为什么赛场不能用 BGR 抠图？#

在 RC 赛场上，我们要抓取的道具通常有鲜艳的颜色（比如红球、蓝方块、黄圆环）。新手最容易犯的错误是直接根据 BGR 通道的值做判断：

1
// 典型翻车写法：用 RGB 判定红色道具
2
if (r > 150 && g < 80 && b < 80) {
3
    // 以为这样就能稳定找到红色
4
}

这段代码在实验室自己的台灯下测试可能完全正常，但一到比赛现场就会彻底失效。

为什么 BGR 判定非常脆弱？#

因为 RGB 模型的三个通道都与光照强度（Brightness）强耦合：

在强烈射灯直射下，红色道具表面会泛白反光，相机拍到的 RGB 可能会变成 (220, 200, 200)，此时 $G$ 和 $B$ 很大，上述判断失效；
在阴影遮挡或者背光处，光线很暗，拍到的 RGB 可能会降到 (60, 20, 20)，此时 $R$ 变小，上述判断再次失效。

救场方案：HSV 色彩空间#

为了解决光照变化的问题，在机器视觉中普遍采用 HSV 色彩模型。

1
H (Hue，色相)        : 颜色本身的种类（红、黄、绿、青、蓝、紫），按圆周 0°~360° 排布
2
S (Saturation，饱和度): 颜色的鲜艳纯度（0=发灰发白，255=极鲜艳纯色）
3
V (Value，明度)       : 光线的明亮程度（0=全黑，255=极亮）

1
HSV 模型示意：
2
       红色 (0° / 360°)
3
         ▲
4
  紫色   │   黄色
5
    \    │   /
6
     \   │  /
7
青色 ─────┼───── 绿色
8
         │
9
         │
10
       蓝色

HSV 的关键优势#

它把“颜色到底是什么颜色”（H 分量）与“光照有多亮”（V 分量）解耦开了：

当赛场光线发生明暗变化时，主要是 V 和 S 分量在上下波动；
只要道具本体还是红色的，它的 H（色相） 分量基本保持稳定在一个狭窄区间内。

OpenCV 中 HSV 的数值范围定义#

在数学上 $H$ 的范围是 $0^\circ \sim 360^\circ$ 。但在 OpenCV 里，为了让一个像素分量能塞进一个 8 位的 uint8_t（最大值 255）中，OpenCV 把 H 值整体除以了 2：

分量	OpenCV 数值范围	对应实际物理含义
H (色相)	0 ~ 180	0/180附近为红色，30附近为黄色，60为绿色，100~120为蓝色
S (饱和度)	0 ~ 255	越接近 0 越接近灰白色，越接近 255 颜色越浓艳
V (明度)	0 ~ 255	越接近 0 越暗（纯黑），越接近 255 越亮

在代码中做色彩转换非常简单：

1
cv::Mat hsv_img;
2
cv::cvtColor(bgr_img, hsv_img, cv::COLOR_BGR2HSV);

避坑警示：相机的自动曝光与自动白平衡（AWB / AEC）#

这是所有视觉新手在赛场实操时必定踩穿的暗坑：
很多普通 USB 摄像头或工业相机在出厂默认状态下，自动曝光（AEC）和自动白平衡（AWB）是默认开启的！

灾难场景 1：当你把一个鲜艳的红色道具突然拿到镜头前时，画面红光变多，相机会认为环境色温偏暖，自动白平衡机制会强行把色温拉回去，导致道具的 HSV 数值剧烈漂移；
灾难场景 2：车子开到赛场略暗处时，相机自动加长曝光时间提亮画面，原本很浓的颜色变淡发白。你在 A 点调好的阈值，车往前开半米就全部失效。

在做任何颜色阈值分割之前，必须把相机的自动曝光和自动白平衡锁死为固定值：

1
// 常见 USB 摄像头在 OpenCV 中的锁死命令（具体视驱动支持而定）
2
cap.set(cv::CAP_PROP_AUTO_EXPOSURE, 0.25); // 关闭自动曝光
3
cap.set(cv::CAP_PROP_EXPOSURE, -6);        // 手动固定曝光值
4
cap.set(cv::CAP_PROP_AUTO_WB, 0);          // 关闭自动白平衡

在后续第九章讲工业相机时，我们会专门讲解如何在厂商驱动层彻底锁死这些参数。

四、二值化与颜色掩膜：cv::inRange#

二值化（Binarization）是指把一张彩色的图像变成非黑即白的单通道图像。

在提取道具时，最核心的算子是 cv::inRange。它的逻辑非常直白：遍历图像的每一个像素，只要它的 (H, S, V) 全部落在我们设定的上下限区间内，就把输出图像对应位置置为 255（白）；任何一个分量超出范围，就置为 0（黑）。

1
cv::Mat mask;
2

3
// 设定蓝色的 HSV 范围阈值
4
cv::Scalar lower_blue(100, 100,  50); // 下限：H在100以上，S大于100，V大于50
5
cv::Scalar upper_blue(130, 255, 255); // 上限：H在130以下，S/V最大
6

7
// 阈值筛选，输出二值掩膜图像 mask
8
cv::inRange(hsv_img, lower_blue, upper_blue, mask);

输出的 mask 就是一张黑白图片，里面的白色孤岛就是可能符合条件的道具区域，黑色区域全部是被过滤掉的背景。

红色道具的特殊环绕问题#

这是提取红色道具时必须处理的数学细节。

观察上面的色环图，红色恰好位于 $0^\circ$ 附近。这意味着在 OpenCV 的 0~180 体系中：

偏橙红色的数值在 $0 \sim 10$ 之间；
偏紫红色的数值在 $170 \sim 180$ 之间。

红色的有效范围跨越了 0 点边界，不能用单个 inRange 区间直接覆盖。标准解法是取两次区间，然后做一次按位或运算（OR）：

1
cv::Mat mask1, mask2, red_mask;
2

3
// 区间 1：靠近 0 的低红段 (0 ~ 10)
4
cv::inRange(hsv, cv::Scalar(0, 100, 50), cv::Scalar(10, 255, 255), mask1);
5

6
// 区间 2：靠近 180 的高红段 (170 ~ 180)
7
cv::inRange(hsv, cv::Scalar(170, 100, 50), cv::Scalar(180, 255, 255), mask2);
8

9
// 合并两个区间的二值结果
10
cv::bitwise_or(mask1, mask2, red_mask);

五、图像预处理：滤波降噪与 ROI 裁剪#

二值化出来的黑白图像往往不够干净：摄像头传感器本身带有微小的电气热噪点，反光的地面也可能有些细碎的白色反光杂点。在做后续形状识别前，先做简单的预处理能大幅提升稳定性。

5.1 图像模糊滤波（二选一候选方案）#

根据现场噪点的类型，通常选择以下两种滤波之一：

1
cv::Mat blurred;
2

3
// 方案 A：高斯滤波（适合滤除连续的高斯热噪声，平滑柔化整体边缘）
4
// 核大小通常为 3x3 或 5x5（必须为奇数）
5
cv::GaussianBlur(bgr_img, blurred, cv::Size(3, 3), 0);
6

7
// 方案 B：中值滤波（计算邻域像素的中位数替代中心点，专门克制画面上的孤立黑白椒盐噪点）
8
// cv::medianBlur(bgr_img, blurred, 3);

通常的处理流水线顺序是：

1
原始彩色帧 ──> 滤波模糊 (去除细碎噪点) ──> 转 HSV ──> inRange 二值化

5.2 ROI（感兴趣区域）截取与坐标还原警告#

车上的摄像头拍到的画面，上半部分通常是场馆的天花板、射灯或者远处的裁判席，这些区域不可能有我们想抓取的地面道具。如果让算法处理全图，不仅容易被天花板的红蓝条幅误导，还会白白消耗计算资源。

通过裁剪 ROI，只处理图像下半部分：

1
// 假设图像大小为 640x480
2
// 我们只关心画面下方从 y=180 开始到 y=480 的区域
3
int roi_x = 0;
4
int roi_y = 180;
5
int roi_width = 640;
6
int roi_height = 300;
7

8
// 直接通过 Rect 切片截取，这是纯指针操作，零内存拷贝！
9
cv::Rect roi_rect(roi_x, roi_y, roi_width, roi_height);
10
cv::Mat roi_img = bgr_img(roi_rect);
11

12
// 后续所有的图像处理只针对 roi_img 展开，计算量减少近 40%

致命坐标系陷阱：
在 roi_img 上检测提取出的目标中心点 $(u_{roi}, v_{roi})$ ，是相对于该 ROI 局部小图的坐标。
如果要传给第八章的 PnP 解算，必须把 ROI 的左上角原点偏移量加回去，还原为全图物理像素：
$u_{full} = u_{roi} + roi\_x, \quad v_{full} = v_{roi} + roi\_y$
否则相机的全图光学中心 $(c_x, c_y)$ 会与局部点发生错位，导致算出的 3D 空间位置完全失真！

六、搭建实用的 GUI 实时调参窗口#

赛场的光照条件每次都有所不同，晴天、阴天、展馆大灯开启时，最佳的 HSV 阈值都不完全一样。把阈值写死在代码里每次重新编译是不现实的。

在实际开发中，最实用的做法是用 OpenCV 自带的 GUI 接口做一个带滑块的调参窗口，一边看着画面，一边拖拽滑块把道具的轮廓抠干净。

为了解决普通单区间无法调节红色道具的问题，下面的调参工具内置了数值防倒挂保护与按键 ‘r’ 一键切换红色双段跨界模式功能：

1
#include <opencv2/opencv.hpp>
2
#include <iostream>
3

4
struct HsvThresholds {
5
    int h_min = 0;
6
    int h_max = 180;
7
    int s_min = 50;
8
    int s_max = 255;
9
    int v_min = 50;
10
    int v_max = 255;
11
} thresholds;
12

13
void on_trackbar(int, void*) {}
14

15
int main(int argc, char** argv) {
16
    cv::VideoCapture cap(0);
17
    if (!cap.isOpened()) {
18
        std::cerr << "无法打开摄像头！请检查设备连接或权限。" << std::endl;
19
        return -1;
20
    }
21

22
    // 尝试锁定相机曝光和白平衡（若硬件驱动支持）
23
    cap.set(cv::CAP_PROP_AUTO_EXPOSURE, 0.25);
24
    cap.set(cv::CAP_PROP_AUTO_WB, 0);
25

26
    const std::string control_win = "HSV Tuner Controls";
27
    const std::string result_win  = "Threshold Result";
28
    cv::namedWindow(control_win, cv::WINDOW_AUTOSIZE);
29
    cv::namedWindow(result_win,  cv::WINDOW_AUTOSIZE);
30

31
    cv::createTrackbar("H Min", control_win, &thresholds.h_min, 180, on_trackbar);
32
    cv::createTrackbar("H Max", control_win, &thresholds.h_max, 180, on_trackbar);
33
    cv::createTrackbar("S Min", control_win, &thresholds.s_min, 255, on_trackbar);
34
    cv::createTrackbar("S Max", control_win, &thresholds.s_max, 255, on_trackbar);
35
    cv::createTrackbar("V Min", control_win, &thresholds.v_min, 255, on_trackbar);
36
    cv::createTrackbar("V Max", control_win, &thresholds.v_max, 255, on_trackbar);
37

38
    std::cout << "调参工具已启动：" << std::endl;
39
    std::cout << " - 按键盘 'r' 键：切换 常规模式 / 红色双段跨界模式" << std::endl;
40
    std::cout << " - 按键盘 's' 键：导出当前 C++ 配置代码" << std::endl;
41
    std::cout << " - 按键盘 'q' 或 ESC：退出程序" << std::endl;
42

43
    cv::Mat frame, hsv, mask;
44
    bool is_red_mode = false; // 是否开启红色跨 0 点双段模式
45

46
    while (true) {
47
        cap >> frame;
48
        if (frame.empty()) break;
49

50
        // 1. 滑动条数值倒挂保护：防止 Min > Max 导致画面意外全黑
51
        if (thresholds.h_min > thresholds.h_max) {
52
            cv::setTrackbarPos("H Max", control_win, thresholds.h_min);
53
            thresholds.h_max = thresholds.h_min;
54
        }
55
        if (thresholds.s_min > thresholds.s_max) {
56
            cv::setTrackbarPos("S Max", control_win, thresholds.s_min);
57
            thresholds.s_max = thresholds.s_min;
58
        }
59
        if (thresholds.v_min > thresholds.v_max) {
60
            cv::setTrackbarPos("V Max", control_win, thresholds.v_min);
61
            thresholds.v_max = thresholds.v_min;
62
        }
63

64
        // 2. 预处理去噪
65
        cv::GaussianBlur(frame, frame, cv::Size(3, 3), 0);
66
        cv::cvtColor(frame, hsv, cv::COLOR_BGR2HSV);
67

68
        // 3. 根据模式进行二值化
69
        if (!is_red_mode) {
70
            // 常规单区间模式 (适用于蓝、黄、绿等绝大多数单色道具)
71
            cv::Scalar lower(thresholds.h_min, thresholds.s_min, thresholds.v_min);
72
            cv::Scalar upper(thresholds.h_max, thresholds.s_max, thresholds.v_max);
73
            cv::inRange(hsv, lower, upper, mask);
74
        } else {
75
            // 红色双段跨界模式：[0, H_min] 并上 [H_max, 180]
76
            cv::Mat mask1, mask2;
77
            cv::inRange(hsv, cv::Scalar(0, thresholds.s_min, thresholds.v_min),
78
                             cv::Scalar(thresholds.h_min, thresholds.s_max, thresholds.v_max), mask1);
79
            cv::inRange(hsv, cv::Scalar(thresholds.h_max, thresholds.s_min, thresholds.v_min),
80
                             cv::Scalar(180, thresholds.s_max, thresholds.v_max), mask2);
81
            cv::bitwise_or(mask1, mask2, mask);
82
        }
83

84
        // 4. 在原图画面上提示当前模式
85
        std::string mode_str = is_red_mode ? "Mode: RED Dual-Range [0,Hmin] U [Hmax,180]"
86
                                           : "Mode: Normal [Hmin, Hmax]";
87
        cv::putText(frame, mode_str, cv::Point(20, 30), cv::FONT_HERSHEY_SIMPLEX, 0.6,
88
                    is_red_mode ? cv::Scalar(0, 0, 255) : cv::Scalar(0, 255, 0), 2);
89
        cv::putText(frame, "Press 'r' to toggle mode, 's' to export", cv::Point(20, 60),
90
                    cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(255, 255, 0), 1);
91

92
        cv::imshow(control_win, frame);
93
        cv::imshow(result_win,  mask);
94

95
        char key = (char)cv::waitKey(30);
96
        if (key == 'q' || key == 27) {
97
            break;
98
        } else if (key == 'r') {
99
            is_red_mode = !is_red_mode;
100
            std::cout << "[模式切换] " << (is_red_mode ? "已切换至 红色双段模式" : "已切换至 常规单区间模式") << std::endl;
101
        } else if (key == 's') {
102
            std::cout << "\n--- 当前调定参数代码 ---" << std::endl;
103
            if (!is_red_mode) {
104
                std::cout << "cv::Scalar lower(" << thresholds.h_min << ", "
105
                          << thresholds.s_min << ", " << thresholds.v_min << ");" << std::endl;
106
                std::cout << "cv::Scalar upper(" << thresholds.h_max << ", "
107
                          << thresholds.s_max << ", " << thresholds.v_max << ");" << std::endl;
108
                std::cout << "cv::inRange(hsv, lower, upper, mask);" << std::endl;
109
            } else {
110
                std::cout << "// 红色双段提取代码:" << std::endl;
111
                std::cout << "cv::Mat mask1, mask2, red_mask;" << std::endl;
112
                std::cout << "cv::inRange(hsv, cv::Scalar(0, " << thresholds.s_min << ", " << thresholds.v_min << "), "
113
                          << "cv::Scalar(" << thresholds.h_min << ", " << thresholds.s_max << ", " << thresholds.v_max << "), mask1);" << std::endl;
114
                std::cout << "cv::inRange(hsv, cv::Scalar(" << thresholds.h_max << ", " << thresholds.s_min << ", " << thresholds.v_min << "), "
115
                          << "cv::Scalar(180, " << thresholds.s_max << ", " << thresholds.v_max << "), mask2);" << std::endl;
116
                std::cout << "cv::bitwise_or(mask1, mask2, red_mask);" << std::endl;
117
            }
118
            std::cout << "------------------------\n" << std::endl;
119
        }
120
    }
121

122
    cap.release();
123
    cv::destroyAllWindows();
124
    return 0;
125
}

对应的 CMakeLists.txt 配置#

将上面的程序放进上一章讲的标准工程结构中，CMakeLists.txt 只需增加一个可执行目标即可：

1
cmake_minimum_required(VERSION 3.16)
2
project(color_tuner LANGUAGES CXX)
3

4
set(CMAKE_CXX_STANDARD 17)
5
set(CMAKE_CXX_STANDARD_REQUIRED ON)
6

7
find_package(OpenCV REQUIRED)
8

9
add_executable(hsv_tuner hsv_tuner.cpp)
10

11
target_include_directories(hsv_tuner PRIVATE ${OpenCV_INCLUDE_DIRS})
12
target_link_libraries(hsv_tuner PRIVATE ${OpenCV_LIBS})

🎯 本章通关小作业#

请在本地完成以下动手实操：

编译运行调参程序：
- 建立目录并保存上面的 hsv_tuner.cpp 与 CMakeLists.txt；
- 编译生成 hsv_tuner 可执行文件并运行。
提取真实道具实操：
- 拿出身边一个具有单一鲜艳颜色的物体（如果测试红色道具，先按键盘 r 键切到红色模式；如果是蓝球/黄块，使用默认常规模式）；
- 在光线正常的环境下，拖动 6 个滑块，观察 Threshold Result 窗口的变化；
- 目标：让目标物体在结果窗口中呈现完整清晰的白色实心块，而周围的背景、桌面和衣服完全变黑；
- 按键盘 s 键，将终端打印出的代码记录下来，保留给下一章的轮廓识别使用。

音乐

音乐

一、数字图像的本质#

二、cv::Mat：OpenCV 的核心数据结构#

2.1 Mat 的内部组成#

2.2 为什么是 BGR 而不是 RGB？#

2.3 浅拷贝与深拷贝陷阱#

2.4 像素访问方式#

方式 A：`at` 方法（带类型检查，写着直观）#

方式 B：指针遍历（最高效，处理整张图时使用）#

三、色彩空间转换：为什么赛场不能用 BGR 抠图？#

为什么 BGR 判定非常脆弱？#

救场方案：HSV 色彩空间#

HSV 的关键优势#

OpenCV 中 HSV 的数值范围定义#

避坑警示：相机的自动曝光与自动白平衡（AWB / AEC）#

四、二值化与颜色掩膜：cv::inRange#

红色道具的特殊环绕问题#

五、图像预处理：滤波降噪与 ROI 裁剪#

5.1 图像模糊滤波（二选一候选方案）#

5.2 ROI（感兴趣区域）截取与坐标还原警告#

六、搭建实用的 GUI 实时调参窗口#

对应的 CMakeLists.txt 配置#

🎯 本章通关小作业#

文章分享

评论区

音乐

目录

音乐

音乐

见图识物：cv::Mat 内存本质、HSV 色彩提取与 GUI 调参窗口

一、数字图像的本质#

二、cv::Mat：OpenCV 的核心数据结构#

2.1 Mat 的内部组成#

2.2 为什么是 BGR 而不是 RGB？#

2.3 浅拷贝与深拷贝陷阱#

2.4 像素访问方式#

方式 A：at 方法（带类型检查，写着直观）#

方式 B：指针遍历（最高效，处理整张图时使用）#

三、色彩空间转换：为什么赛场不能用 BGR 抠图？#

为什么 BGR 判定非常脆弱？#

救场方案：HSV 色彩空间#

HSV 的关键优势#

OpenCV 中 HSV 的数值范围定义#

避坑警示：相机的自动曝光与自动白平衡（AWB / AEC）#

四、二值化与颜色掩膜：cv::inRange#

红色道具的特殊环绕问题#

五、图像预处理：滤波降噪与 ROI 裁剪#

5.1 图像模糊滤波（二选一候选方案）#

5.2 ROI（感兴趣区域）截取与坐标还原警告#

六、搭建实用的 GUI 实时调参窗口#

对应的 CMakeLists.txt 配置#

🎯 本章通关小作业#

文章分享

评论区

音乐

目录

方式 A：`at` 方法（带类型检查，写着直观）#