本文介绍使用opencv的cv2.inrange()结合numpy快速定位图像中符合rgb颜色区间的像素坐标，替代低效的手动嵌套循环，显著提升性能与代码可读性。
本文介绍使用opencv的cv2.inrange()结合numpy快速定位图像中符合rgb颜色区间的像素坐标，替代低效的手动嵌套循环，显著提升性能与代码可读性。
在图像处理任务中，常需定位特定颜色区域（如红色按钮、标记点等）。初学者易采用双重for循环逐像素比对RGB值，但该方式时间复杂度高（O(H×W)），且逻辑冗长、易出错。更专业、高效的方案是利用OpenCV内置的色彩阈值函数配合向量化操作。
✅ 推荐方法：cv2.inRange() + np.argwhere()
cv2.inRange(src, lowerb, upperb) 会返回一个二值掩膜（mask），其中满足 lowerb ≤ pixel ≤ upperb 的像素置为255（True），其余为0（False）。该函数支持多通道（如BGR）的逐通道比较，天然适配颜色区间搜索。
以下为完整、可运行的示例代码：
import numpy as np
import cv2
# 读取图像（注意：OpenCV默认读取为BGR格式，非RGB！）
img = cv2.imread('your_image.jpg')
if img is None:
raise FileNotFoundError("图像未找到，请检查路径")
# 定义目标颜色区间（BGR顺序！例如：深红 → 浅红）
# 注意：此处 [10, 10, 140] 表示 B=10, G=10, R=140；[50, 50, 255] 表示 B=50, G=50, R=255
lower_bound = np.array([10, 10, 140]) # BGR下界（较暗红）
upper_bound = np.array([50, 50, 255]) # BGR上界（较亮红）
# 生成二值掩膜：值为255的位置即为目标颜色像素
mask = cv2.inRange(img, lower_bound, upper_bound)
# 获取所有非零像素的坐标（返回格式为 [[y1,x1], [y2,x2], ...]）
coordinates = np.argwhere(mask > 0)
print(f"共检测到 {len(coordinates)} 个匹配像素：")
for y, x in coordinates: # 注意：np.argwhere返回[y, x]顺序
print(f"坐标 (x={x}, y={y})")⚠️ 关键注意事项
- BGR vs RGB：OpenCV默认使用BGR通道顺序，务必按 B, G, R 设置上下界数组，而非直觉上的RGB。若需RGB输入，可用 cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 转换，但需同步调整阈值顺序。
- 颜色鲁棒性：单一RGB阈值对光照敏感。实际项目中建议转至HSV色彩空间（如用 cv2.cvtColor(img, cv2.COLOR_BGR2HSV)），对色调（H）设定区间，饱和度（S）与明度（V）加约束，抗干扰能力更强。
- 性能优势：cv2.inRange() 是C++底层优化的向量化操作，比Python循环快数十至数百倍；np.argwhere() 直接返回坐标数组，避免手动索引管理。
- 结果坐标顺序：np.argwhere(mask > 0) 返回的是 (row, col) 即 (y, x)，若需 (x, y) 格式，可改用 np.column_stack(np.where(mask > 0))[::-1] 或直接解包为 y, x = coord 后交换输出。
✅ 总结
用 cv2.inRange() 构建掩膜 + np.argwhere() 提取坐标，是查找颜色像素的标准范式：简洁、高效、可扩展。掌握此模式，不仅解决单色定位问题，还可延伸至多区域检测、颜色分割、交互式选区等进阶应用。务必牢记BGR顺序与坐标约定，即可稳健落地于各类计算机视觉脚本中。
