简介：面向 C# 与计算机视觉学习者的 OpenCV 颜色识别示例包，以 OpenCvSharp 调用 HSV 颜色空间完成颜色筛选与目标区域提取，适合需要理解颜色识别流程、准备课程设计或做图像处理练习的开发者参考。压缩包共 59 个文件，约 35.14MB，内含 17 个 cs 源码、8 个 dll 依赖、6 个 resx 与多个 resources 资源文件，并配有 sln 解决方案、csproj 工程、config 配置及 jpg/png 示例图片；文件按 Visual Studio 项目组织，覆盖窗体界面、HSV 参数设置、图像显示与识别逻辑等模块。已有 1723 人学习或下载。可参考的内容包括 BGR 转 HSV、颜色上下限区间设定、InRange 生成二值掩码、按掩码保留目标颜色区域，以及调参窗体和多窗体展示等实现，能帮助读者快速把握 OpenCvSharp 颜色识别的工程结构，并在此基础上进行二次开发与参数调试。
1. 从一张偏色的传送带照片说起：opencv颜色识别.zip 到底能干什么
传送带上的红色料盒被顶灯照得发白，用 C# 调 OpenCvSharp 做 opencv颜色识别，第一版阈值直接翻车——RGB 三个通道一起飘，换成 HSV 才稳住。这个压缩包就是围绕这条链路做的示例工程：读图或接摄像头，把 BGR 转成 HSV，按颜色区间生成掩膜，再做形态学去噪和轮廓筛选，最后把目标框和中心点画回原图。它适合刚接触机器视觉的 C# 开发者、要做颜色分拣/计数/定位前置验证的人，也适合拿 WinForms 或 WPF 快速搭一个调试界面。别把它当成万能识别器，它更像一套可改参数的底子，光照、材质、相机白平衡一变，阈值就得跟着调。
2. 技术选型与工程骨架：C# + OpenCvSharp 的 HSV 识别链路怎么搭
这个包没有走 Python 那条路，而是 C# + OpenCvSharp。原因很实际：很多上位机、工控界面、WinForms/WPF 工具本来就是 C# 写的，识别逻辑如果能在同一个进程里跑，省掉跨语言通信和额外部署。OpenCvSharp 把 OpenCV 的 Mat、CvtColor、InRange、FindContours 这些 API 包了一层，写法接近原生 OpenCV，调试时又能直接用 C# 断点看中间变量。下面这张表是这类工程最常见的选型组合，拿到包后可以对着 csproj 和引用逐项核对。
| 层 | 常见选型 | 作用 | 注意点 |
|---|---|---|---|
| 语言/运行时 | C# / .NET 6、8 或 .NET Framework 4.8 | 承载界面和识别逻辑 | 老项目常见 Framework，新项目建议 .NET 6+ |
| 视觉库 | OpenCV + OpenCvSharp4 | 图像读取、色彩转换、阈值、轮廓 | 主包和运行时包版本要一致 |
| 图像互操作 | OpenCvSharp4.Extensions | Bitmap 与 Mat 互转 | 通道顺序和 PixelFormat 要确认 |
| 界面 | WinForms 或 WPF | 显示原图、掩膜、识别结果 | 别在 UI 线程里跑重循环 |
| 配置 | JSON 或 App.config | 存 HSV 范围、最小面积 | 阈值外置后调参不用重编译 |
2.1 为什么颜色识别优先用 HSV 而不是 RGB
RGB 不是不能做颜色识别，而是它把颜色和亮度揉在三个通道里。白天红色料盒的 R 通道高，下午顶灯偏暖，R 和 G 一起升高，原来卡好的R>180 && G<80就可能把橙色也放进来。HSV 把色相 H 单独拎出来，S 管饱和度，V 管亮度，调阈值时先卡 H 找颜色大类，再用 S/V 过滤灰白和暗部，逻辑清楚很多。
OpenCV 的 8 位 HSV 有一个必须记住的坑：H 的范围是 0 到 180，不是常见的 0 到 360。因为 8 位图一个通道最多 255，OpenCV 把角度除以 2 存进去。S 和 V 都是 0 到 255。红色又正好跨在 H 的零点两侧，所以红色通常要写两段：0 到 10 一段，170 到 180 一段，再用按位或合并掩膜。只写一段的话，相机白平衡稍微偏一点，红色就会从另一边漏掉。
| 颜色 | H 主区间 | S 建议下限 | V 建议下限 | 备注 |
|---|---|---|---|---|
| 红 | 0-10 / 170-180 | 120 | 70 | 跨零点，必须两段 |
| 绿 | 35-85 | 80 | 80 | 区间宽，容易混入黄绿 |
| 蓝 | 90-130 | 80 | 80 | 深蓝要降 V 下限 |
| 黄 | 20-35 | 100 | 100 | 和暖光容易混 |
这张表只能当起点，不能当标准答案。不同相机、镜头、光源下，同一个红色料盒的 H 可能落在 2 到 8，也可能落在 175 到 179。我一般会先拍一张现场图，用取色工具读几个目标像素的 HSV，再取最小值和最大值往外扩 3 到 5 个 H 单位，S/V 下限先保守一点，后面用面积过滤兜底。
2.2 一个最小识别链路的模块划分
这类工程拆开看并不复杂，关键是每个模块只做一件事，出问题能定位。图像源负责读图或取帧；预处理负责缩放、模糊、ROI 裁剪；颜色分割用InRange生成单通道掩膜；形态学去掉噪点和填补空洞；轮廓分析算面积、外接矩形、质心；结果输出负责画框、写日志或给下游传坐标。模块之间用 Mat 和简单的结果对象传递，不要让 UI 代码混进识别类里。
常见做法是把颜色范围抽成一个HsvRange类，把单帧识别抽成一个ColorDetector类，多颜色再包一层MultiColorClassifier。这样后面加新颜色只是加一条配置，不用复制一整段if。摄像头采集和界面显示放在入口层，识别类只接收Mat，返回结果和可视化图。调试时可以先绕过摄像头，直接用静态图喂给ColorDetector，把阈值调稳再接实时流。
提示：先静态图后摄像头。摄像头有自动曝光、自动白平衡、第一帧偏黑这些变量，静态图都没跑通就接摄像头，排查时根本分不清是阈值问题还是采集问题。
2.3 运行环境与依赖版本怎么对齐
C# 项目跑 OpenCvSharp，最常见的翻车不是代码写错，而是依赖没对齐。主包OpenCvSharp4提供托管 API，非托管 DLL 在运行时包里，Windows 通常要加OpenCvSharp4.runtime.win，Bitmap 互转再加OpenCvSharp4.Extensions。这三个包的版本最好保持一致，不要主包用新版本、运行时包还是旧版本，否则容易出现找不到入口点或者DllNotFoundException。
dotnet add package OpenCvSharp4 dotnet add package OpenCvSharp4.runtime.win dotnet add package OpenCvSharp4.Extensions这三条命令不指定版本时，NuGet 会取当前源里的最新稳定版。装完打开 csproj 看一眼，三个PackageReference的版本号应该一致；不一致就手动改成同一版本再还原。平台目标建议固定 x64，尤其是老项目从 AnyCPU 切过来时，容易在 32 位进程里加载不到 64 位非托管 DLL。运行后如果报Unable to load DLL 'OpenCvSharpExtern'，先去输出目录看有没有这个文件，再看运行时包有没有被正确复制。
3. 目录结构与跑通步骤：从解压到看到第一块掩膜
拿到压缩包先别急着改阈值，先确认项目能不能编译、能不能出图。这类 C# 视觉 Demo 的目录组织通常不会太复杂，按解决方案文件、项目文件、识别类、样图这几类去找就行。不同版本的命名可能略有差异，但入口和依赖关系基本一致。
opencv颜色识别/ ├─ ColorRecognition.sln ├─ src/ │ └─ ColorRecognition/ │ ├─ ColorRecognition.csproj │ ├─ Program.cs │ ├─ MainForm.cs │ ├─ Vision/ │ │ ├─ HsvRange.cs │ │ ├─ ColorDetector.cs │ │ └─ MultiColorClassifier.cs │ └─ Assets/ │ └─ samples/ ├─ README.md └─ .gitignore上面是常见组织方式，实际包里的文件夹名可能叫Forms、Detector或者直接平铺。找的时候抓住几个关键点：.sln是入口，.csproj里看TargetFramework和包引用，Program.cs或MainForm.cs看启动方式，Assets或images下看有没有测试图。识别类一般在名字里带Color、Hsv、Detector的文件中。
3.1 拿到压缩包先看哪几类文件
第一眼看.csproj，确认是.NET 6/8还是.NET Framework 4.x。如果是新式项目，文件里会有<TargetFramework>net6.0-windows</TargetFramework>、<UseWindowsForms>true</UseWindowsForms>这类节点；如果是老式项目，可能会看到packages.config和一堆HintPath。这决定你用dotnet命令还是用 Visual Studio 的旧版还原方式。
第二眼看入口。WinForms 项目通常从Program.cs的Application.Run(new MainForm())进，WPF 项目看App.xaml和MainWindow.xaml。入口里如果写死了图片路径，先确认那个路径在解压后的目录里存在；如果写死了摄像头索引0，先确认机器上有摄像头或者改成图片模式。
第三眼看样图。Assets/samples下如果有红色、绿色、蓝色的测试图，先用这些图跑，不要一上来就拿现场图。样图能跑通，说明依赖和基本链路没问题；样图都跑不通，先查环境，别怀疑 HSV 参数。
3.2 还原依赖与配置运行时
新式项目在解决方案目录下执行还原和编译。第一次跑先restore，再build，最后run，每一步报错都单独看，不要一条命令混到底。
dotnet restore dotnet build -c Release dotnet run --project .\src\ColorRecognition\ColorRecognition.csprojrestore负责拉 NuGet 包，build负责编译并复制非托管 DLL，run启动程序。如果build成功但run报 DLL 找不到，重点看输出目录下的OpenCvSharpExtern.dll和runtimes文件夹。老式.NET Framework项目用 Visual Studio 打开.sln，右键解决方案点“还原 NuGet 包”，再把平台切到 x64 编译。不要同时混用dotnet build和旧版 MSBuild，输出目录可能对不上。
注意：如果项目里有
AnyCPU和x64两个配置，先选x64。OpenCvSharp 的非托管 DLL 是分平台的，32 位进程加载 64 位 DLL 会直接崩，报错还不一定指向真正原因。
3.3 用静态图片和摄像头分别验证
静态图验证的代码很短，核心是读图、建检测器、出可视化结果。路径按你解压后的实际样图改，ImreadModes.Color保证读成三通道 BGR，不要用灰度模式。
using OpenCvSharp; using var src = Cv2.ImRead("Assets/samples/red_box.jpg", ImreadModes.Color); if (src.Empty()) throw new FileNotFoundException("样图路径不对，检查 Assets/samples 下有没有这张图"); using var detector = new ColorDetector(DefaultRanges.Red, minArea: 300, kernelSize: 5); using var result = detector.Detect(src); Cv2.ImShow("color-result", result.Visualized); Cv2.WaitKey(0);ImRead返回空 Mat 通常不是代码问题，而是工作目录不对。dotnet run的当前目录和 exe 所在目录可能不同，保险做法是用AppContext.BaseDirectory拼绝对路径。minArea: 300是像素面积，样图分辨率小的时候够用，换成 1280x720 的相机图就要往上调。kernelSize: 5表示 5x5 椭圆核，先小后大，别一上来就 11x11。
摄像头验证把图像源换成VideoCapture，其余识别逻辑不变。Windows 下常用VideoCaptureAPIs.DSHOW，Linux 下换成CAP_V4L2。刚打开时前几帧可能是黑的，先读几帧丢掉再进识别循环。
using var cap = new VideoCapture(0, VideoCaptureAPIs.DSHOW); if (!cap.IsOpened()) throw new InvalidOperationException("摄像头没打开，检查索引或被其他程序占用"); using var frame = new Mat(); while (true) { cap.Read(frame); if (frame.Empty()) break; using var result = detector.Detect(frame); Cv2.ImShow("camera-color", result.Visualized); if (Cv2.WaitKey(1) == 27) break; // Esc 退出 }VideoCapture(0, ...)里的 0 是默认摄像头索引，外接 USB 相机可能是 1 或 2。WaitKey(1)不只是等按键，它还负责刷新 HighGUI 窗口，少了它画面会卡住。result用using释放，避免长时间跑循环时 Mat 越积越多。如果画面颜色明显不对，先查摄像头是不是输出 MJPG/YUY2 导致通道错位，再查Bitmap转换那一步。
4. 核心代码拆解：HSV 阈值、形态学与轮廓判定逐段讲
颜色识别的核心代码其实就三段：把 BGR 转成 HSV，用InRange生成掩膜，从掩膜里找轮廓并过滤。真正花时间的是参数和边界情况。下面按一个可编译的ColorDetector拆开讲，代码里的默认值可以直接跑，但不要当成现场万能值。
4.1 颜色范围定义与红色双区间处理
先定义颜色范围。Scalar在 OpenCvSharp 里是double四元组，InRange只用前三个分量，顺序是 H、S、V。红色用Lower1/Upper1和Lower2/Upper2两段，其他颜色第二段留空。
using OpenCvSharp; public sealed class HsvRange { public string Name { get; set; } = ""; public Scalar Lower1 { get; set; } public Scalar Upper1 { get; set; } public Scalar? Lower2 { get; set; } public Scalar? Upper2 { get; set; } } public static class DefaultRanges { public static HsvRange Red => new HsvRange { Name = "red", Lower1 = new Scalar(0, 120, 70), Upper1 = new Scalar(10, 255, 255), Lower2 = new Scalar(170, 120, 70), Upper2 = new Scalar(180, 255, 255) }; public static HsvRange Green => new HsvRange { Name = "green", Lower1 = new Scalar(35, 80, 80), Upper1 = new Scalar(85, 255, 255) }; public static HsvRange Blue => new HsvRange { Name = "blue", Lower1 = new Scalar(90, 80, 80), Upper1 = new Scalar(130, 255, 255) }; }红色的0-10和170-180两段必须都保留。只写0-10时，偏紫的红或冷光下的红会落到 170 以上，掩膜直接空掉；只写170-180时，正红又会从 0 附近漏掉。S下限 120 是过滤灰白和反光，V下限 70 是过滤暗部。现场如果红色料盒表面有高光，S 会掉下去，可以把 S 下限降到 80 到 100 试试，但别降太低，否则白色标签也会被当成红色。
绿色和蓝色的 H 区间比较宽，容易把相邻颜色吃进来。绿色35-85会覆盖黄绿，蓝色90-130会覆盖青蓝。实际调的时候先把区间收窄到目标颜色附近，再用面积和长宽比过滤。老项目如果是 .NET Framework，把new HsvRange改成显式new HsvRange { ... }，Scalar?用可空结构体没问题。
4.2 单帧识别主流程
ColorDetector把转换、阈值、形态学、找轮廓串起来。形态学核在构造函数里创建一次，不要每帧都GetStructuringElement，实时循环里这也是开销。
using OpenCvSharp; public sealed class DetectItem { public double Area { get; set; } public Point Center { get; set; } public Rect Bounds { get; set; } public Point[] Contour { get; set; } = Array.Empty<Point>(); } public sealed class DetectResult : IDisposable { public Mat Visualized { get; } public IReadOnlyList<DetectItem> Items { get; } public DetectResult(Mat visualized, IReadOnlyList<DetectItem> items) { Visualized = visualized; Items = items; } public void Dispose() => Visualized.Dispose(); } public sealed class ColorDetector : IDisposable { private readonly HsvRange _range; private readonly int _minArea; private readonly Mat _kernel; public string Name => _range.Name; public ColorDetector(HsvRange range, int minArea = 300, int kernelSize = 5) { _range = range; _minArea = minArea; int k = kernelSize % 2 == 1 ? kernelSize : kernelSize + 1; _kernel = Cv2.GetStructuringElement(MorphShapes.Ellipse, new Size(k, k)); } public DetectResult Detect(Mat bgr) { if (bgr.Empty()) throw new ArgumentException("输入图像为空"); if (bgr.Channels() != 3) throw new ArgumentException("需要 BGR 三通道图像"); using var hsv = new Mat(); Cv2.CvtColor(bgr, hsv, ColorConversionCodes.BGR2HSV); using var mask = new Mat(); Cv2.InRange(hsv, _range.Lower1, _range.Upper1, mask); if (_range.Lower2.HasValue && _range.Upper2.HasValue) { using var mask2 = new Mat(); Cv2.InRange(hsv, _range.Lower2.Value, _range.Upper2.Value, mask2); Cv2.BitwiseOr(mask, mask2, mask); } Cv2.MorphologyEx(mask, mask, MorphTypes.Open, _kernel); Cv2.MorphologyEx(mask, mask, MorphTypes.Close, _kernel); Cv2.FindContours(mask, out var contours, out _, RetrievalModes.External, ContourApproximationModes.ApproxSimple); var items = FilterContours(contours, _minArea); var visualized = bgr.Clone(); foreach (var item in items) { Cv2.Rectangle(visualized, item.Bounds, Scalar.Red, 2); Cv2.Circle(visualized, item.Center, 4, Scalar.Lime, -1); Cv2.PutText(visualized, $"{_range.Name} {item.Area:F0}", new Point(item.Bounds.X, Math.Max(12, item.Bounds.Y - 6)), HersheyFonts.HersheySimplex, 0.5, Scalar.White, 1); } return new DetectResult(visualized, items); } private static List<DetectItem> FilterContours(Point[][] contours, int minArea) { var items = new List<DetectItem>(); foreach (var contour in contours) { double area = Cv2.ContourArea(contour); if (area < minArea) continue; var m = Cv2.Moments(contour); if (Math.Abs(m.M00) < 1e-6) continue; items.Add(new DetectItem { Area = area, Center = new Point((int)(m.M10 / m.M00), (int)(m.M01 / m.M00)), Bounds = Cv2.BoundingRect(contour), Contour = contour }); } return items; } public void Dispose() => _kernel.Dispose(); }CvtColor的BGR2HSV是固定入口，输入必须是 BGR 三通道。OpenCvSharp 读图默认就是 BGR，摄像头帧一般也是 BGR，但如果你从Bitmap手动拷字节，可能是 RGB 或 BGRA，这里就会错。InRange输出单通道 8 位掩膜，白色是命中，黑色是未命中。红色第二段用BitwiseOr合并，不能用加法，加法会在重叠区溢出。
MorphologyEx先开后闭：开运算去小噪点，闭运算填小空洞。_kernel是椭圆核，比矩形核更贴合圆润目标。FindContours用External只取外轮廓，ApproxSimple压缩点集，面积计算够用。bgr.Clone()是为了不污染输入帧，返回的Visualized由调用方释放。
4.3 轮廓过滤与中心点计算
FilterContours里做三件事：面积过滤、质心计算、外接矩形。Cv2.ContourArea返回像素面积，minArea是绝对像素值，所以换分辨率会失效，后面避坑章会专门讲。Moments的M00是零阶矩，等于轮廓面积；M10/M00是 x 质心，M01/M00是 y 质心。M00接近 0
本文还有配套的精品资源，点击获取
