最可靠方法是将RGB转HSV后用inRange()构建掩膜并countNonZero()统计；RGB直接阈值易受光照干扰，HSV更鲁棒；需结合直方图调试H/S/V阈值，大图可先降采样加速。
用 OpenCV 的 inRange() 判断像素是否在目标色域内
直接结论：C++ 中检测图像中是否存在特定颜色，最可靠、最常用的方式是把 RGB 转成 HSV（或 HLS），再用 inRange() 构建掩膜，最后用 countNonZero() 查非零像素数。RGB 空间下做阈值极易受光照干扰，HSV 对亮度变化更鲁棒。
典型错误是直接对 BGR 三通道设固定阈值，比如“R > 200 && G
-
cv::cvtColor(img, hsv, cv::COLOR_BGR2HSV)是必须的预处理，OpenCV 默认读图是 BGR 顺序 - HSV 中红色跨 0° 和 180°，需分两段检测：
inRange(hsv, lower1, upper1)+inRange(hsv, lower2, upper2)，再用cv::bitwise_or()合并 - H 通道范围是 [0, 179]（OpenCV 特有缩放），S/V 通常是 [0, 255]；不要直接套用 Photoshop 或 HSV 滑块的 0–360 值
如何选准 lowerb 和 upperb 参数
没有通用“红色阈值”，必须根据实际图像校准。推荐流程是：先用 cv::imshow() 显示 HSV 图像，再用鼠标回调或滑动条交互式调整。
常见误区是凭感觉写死数值，比如认为“红色就是 H=0±10”。实际上同一物体在不同光照下 H 可能漂移到 5 或 175，S 可能从 120 掉到 60，V 更是随亮度剧烈变化。
立即学习“C++免费学习笔记（深入）”；
- 用
cv::createTrackbar()给 H、S、V 各建两个滑块（low/high），实时更新掩膜并显示，比反复改代码快十倍 - 对浅色目标（如淡黄纸张），S 下限不宜设太高（
30通常够用），否则会漏掉低饱和区域 - 对暗环境图像，V 下限要适当调低（
20~40），但 V 上限一般保持255，避免误剔高光
检测结果为 false 却实际存在颜色？检查这三点
多数“检测不到”的问题不在于算法，而在于图像预处理或数据流断裂。
- 确认图像加载成功：
img.empty()为true时后续全无效，别跳过这个判断 - 检查 ROI 是否意外裁剪了目标区域——尤其用了
cv::Rect或cv::Mat::operator()后忘了验证尺寸 - 忽略 Alpha 通道：如果图像是 4 通道 PNG，
cv::imread(path, cv::IMREAD_COLOR)默认丢弃 Alpha，但若用了IMREAD_UNCHANGED，则需先剥离第 4 通道再转 HSV，否则cvtColor会报错或行为异常
性能敏感场景下避免重复计算
如果在循环里频繁检测同一张图的多个颜色，或帧率要求高（如 30fps 视频流），inRange() + countNonZero() 的组合虽简单，但每次都会新建掩膜 Mat，带来内存分配开销。
- 复用掩膜 Mat：
cv::Mat mask = cv::Mat::zeros(img.size(), CV_8UC1)在循环外定义，传入inRange(..., mask) - 用
cv::mean()替代countNonZero()：对二值掩膜调用cv::mean(mask).val[0] > 0更快，且省去创建临时掩膜的步骤 - 必要时降采样：对大图（如 4K）先
cv::pyrDown()一次再检测，精度损失小，速度提升明显
真正难的不是写对一行 inRange()，而是理解为什么你的“红色”在 HSV 里跑到了 H=170，或者为什么 S 阈值设 100 就漏检——这些都得靠看真实图像的 HSV 分布直方图才能定位。
