尧图网页设计 
简介这份PDF面向Java开发者与计算机视觉初学者聚焦如何用Java调用OpenCV视觉库完成几何图像的颜色与形状识别解决Java生态下彩色几何图形识别资料偏少、识别率不高的问题。资源包共1个文件为894KB的PDF文档内容围绕HSV颜色空间展开涵盖图像颜色分离、滤波、灰度化、二值化、轮廓提取、干扰轮廓去除、轮廓形状拟合及凸点距离判断等完整流程可识别三角形、圆、矩形、正方形、多边形等图形并延伸至交通信号灯等实际场景。目前已有169人学习下载。读者可从中获得一套可复用的JavaOpenCV识别思路与算法实现细节理解HSV相较RGB在颜色识别上的优势掌握从颜色分割到形状判别的关键步骤适合作为课程设计、毕业设计或视觉入门项目的参考材料。1. 几何图像颜色与形状识别Java OpenCV 到底能落地到什么程度车间质检工位上摆着一台普通 USB 摄像头传送带送过来一堆塑料齿轮操作员需要在一秒内判断齿轮的颜色是否合格、齿形是否缺角。这种场景用 Python OpenCV 写个 demo 只要半小时但产线上的工控机跑的是 Java 服务MES 系统也是 Spring Boot 那一套运维不想再维护一套 Python 环境。于是问题变成Java 能不能扛住 OpenCV 的图像处理活颜色识别和形状识别的精度够不够用。这个方向解决的就是这件事——用 Java 调用 OpenCV 的原生库在 JVM 里完成图像的色彩空间转换、颜色阈值分割、轮廓提取和多边形逼近最终输出颜色分类和形状分类结果。适合有 Java 基础、需要把视觉能力嵌入现有 Java 后端或桌面应用的开发者。它不适合追求极致帧率的深度学习场景但对规则明确的几何图像——色块、零件轮廓、卡片形状、交通标志——完全够用。下面把我实际落地时踩过的路拆开讲。2. 环境搭建与 JavaCV 选型为什么不用纯 JNI 手写2.1 Java 调 OpenCV 的三条路选错返工一整天Java 本身没有图像处理的底层能力BufferedImage做像素级操作性能很差。要让 Java 用上 OpenCV常见做法有三条第一条是官方 OpenCV 的 Java binding。下载 OpenCV 安装包后opencv-4xx.jar加上对应平台的libopencv_java4xx.soLinux或.dllWindows通过System.loadLibrary(Core.NATIVE_LIBRARY_NAME)加载。这条路最“正统”但跨平台部署时动态库路径经常翻车Windows 上还要处理java.library.path。第二条是 JavaCV。JavaCV 是 Bytedeco 维护的一套 JavaCPP 预设包把 OpenCV、FFmpeg 等原生库打包成 Maven 依赖通过 classifier 自动拉取对应平台的二进制。你只需要在pom.xml里声明依赖不用手动配.so或.dll。对于需要快速在 Windows 开发、Linux 部署的团队这条路省事得多。第三条是自己写 JNI 封装。除非你有极特殊的性能需求否则不建议——维护成本高OpenCV 版本升级时接口全要重写。我一般选 JavaCV原因是依赖管理干净CI/CD 里不用额外装 OpenCV 系统包。代价是包体积偏大一个javacv-platform依赖会拉下所有平台的二进制几百 MB。生产环境可以用 classifier 只保留目标平台。2.2 Maven 依赖与最小可运行代码下面是一个只保留 Linux x86_64 平台的依赖配置避免把 Windows 和 macOS 的库也打进去dependencies !-- JavaCV 核心排除全平台二进制 -- dependency groupIdorg.bytedeco/groupId artifactIdjavacv/artifactId version1.5.10/version /dependency !-- 只拉取 Linux x86_64 的 OpenCV 原生库 -- dependency groupIdorg.bytedeco/groupId artifactIdopencv/artifactId version4.9.0-1.5.10/version classifierlinux-x86_64/classifier /dependency !-- JavaCPP 运行时 -- dependency groupIdorg.bytedeco/groupId artifactIdjavacpp/artifactId version1.5.10/version /dependency /dependencies逻辑说明javacv是聚合包opencv带 classifier 的依赖才是真正包含libopencv_java原生库的包。版本号里4.9.0-1.5.10表示 OpenCV 4.9.0 对应 JavaCPP 1.5.10 的封装。如果你在 Windows 上开发把 classifier 换成windows-x86_64或者干脆用javacv-platform一次性全平台。参数说明classifier决定了拉取哪个平台的二进制写错会在运行时抛UnsatisfiedLinkError。version里 OpenCV 和 JavaCPP 的版本必须匹配不能随意混搭。最小验证代码——读一张图打印尺寸和通道数import org.bytedeco.opencv.opencv_core.Mat; import org.bytedeco.opencv.global.opencv_imgcodecs; public class EnvCheck { public static void main(String[] args) { // 用 imread 读取图片第二个参数 IMREAD_COLOR 强制三通道 Mat img opencv_imgcodecs.imread(test.jpg, opencv_imgcodecs.IMREAD_COLOR); if (img.empty()) { System.out.println(图片读取失败检查路径); return; } // rows高, cols宽, channels通道数 System.out.println(高: img.rows() 宽: img.cols() 通道: img.channels()); } }逻辑说明imread返回的Mat是 OpenCV 的内存矩阵empty()判断是否读取成功。rows()是图像高度cols()是宽度channels()对彩色图是 3。这一步跑通说明原生库加载正常后面所有处理都建立在这个基础上。参数说明IMREAD_COLOR会强制转成 BGR 三通道即使原图是灰度或带 alpha 通道。如果你要保留 alpha用IMREAD_UNCHANGED。路径用相对路径时工作目录是项目根目录不是src。提示如果imread返回空但路径没错先确认文件确实存在且不是中文路径。OpenCV 在部分平台上对非 ASCII 路径支持不好这是血泪经验。3. 颜色识别从 BGR 到 HSV 的阈值分割与掩膜提取3.1 为什么颜色识别必须先转 HSV直接用 BGR 三个通道做阈值光照一变阈值就废。HSV 把色相H、饱和度S、明度V分开色相描述“是什么颜色”明度描述“有多亮”。调整光照主要影响 V色相基本稳定。所以颜色识别的标准流程是BGR 转 HSV对 H 通道设范围生成掩膜再用掩膜提取原图区域。OpenCV 里 H 的范围是 0 到 179不是 360S 和 V 是 0 到 255。红色比较特殊它跨在 H 的两端0 附近和 179 附近需要两个区间合并。3.2 颜色阈值分割的完整代码import org.bytedeco.opencv.opencv_core.*; import org.bytedeco.opencv.global.opencv_imgproc; import org.bytedeco.opencv.global.opencv_core; import static org.bytedeco.opencv.global.opencv_imgproc.*; public class ColorDetect { public static Mat detectRed(Mat bgr) { Mat hsv new Mat(); // BGR 转 HSV颜色空间转换是后续阈值的前提 opencv_imgproc.cvtColor(bgr, hsv, opencv_imgproc.COLOR_BGR2HSV); // 红色跨 H 两端分两段 Mat mask1 new Mat(); Mat mask2 new Mat(); // 低端H 0-10 opencv_core.inRange(hsv, new Scalar(0, 100, 100, 0), new Scalar(10, 255, 255, 0), mask1); // 高端H 170-179 opencv_core.inRange(hsv, new Scalar(170, 100, 100, 0), new Scalar(179, 255, 255, 0), mask2); // 两段掩膜合并 Mat mask new Mat(); opencv_core.bitwise_or(mask1, mask2, mask); // 形态学开运算去噪先腐蚀后膨胀去掉小噪点 Mat kernel opencv_imgproc.getStructuringElement( opencv_imgproc.MORPH_RECT, new Size(5, 5)); opencv_imgproc.morphologyEx(mask, mask, opencv_imgproc.MORPH_OPEN, kernel); return mask; } }逻辑说明cvtColor把 BGR 转成 HSV。inRange对每个像素判断是否落在[lower, upper]区间内落在区间内输出 255否则 0结果是一张单通道二值图。红色因为 H 跨两端用两次inRange再bitwise_or合并。morphologyEx的开运算先腐蚀掉小噪点再膨胀恢复主体能有效去掉阈值分割产生的零星白点。参数说明Scalar的四个参数是 H、S、V、alpha第四个不用填 0。S 下限设 100 是为了排除灰白色饱和度低的干扰V 下限设 100 排除过暗区域。这两个值要根据实际光照调光照强时 V 下限可以提到 150。Size(5,5)的核越大去噪越强但也会吃掉小目标一般 3 到 7 之间。3.3 颜色分类的判定逻辑拿到掩膜后统计掩膜中非零像素占比超过阈值就判定为该颜色public static String classifyColor(Mat bgr) { Mat mask detectRed(bgr); // countNonZero 统计掩膜中白色像素数 int redPixels opencv_core.countNonZero(mask); double ratio (double) redPixels / (bgr.rows() * bgr.cols()); // 占比超过 15% 判定为红色 if (ratio 0.15) return RED; return UNKNOWN; }逻辑说明countNonZero返回掩膜中值不为 0 的像素个数除以总像素数得到占比。占比阈值根据目标在画面中的大小定如果目标占画面一半阈值可以设 0.3如果目标很小设 0.05。参数说明多颜色分类时对每种颜色各生成一个掩膜取占比最大的作为结果。注意不同颜色的掩膜可能重叠比如橙色同时落在红和黄的范围需要按优先级或互斥区间处理。4. 形状识别轮廓提取、多边形逼近与形状判定4.1 轮廓提取的前置处理链形状识别的前提是二值图。流程是灰度化 → 二值化或 Canny 边缘检测→ 找轮廓 → 对每个轮廓做多边形逼近 → 根据逼近后的顶点数判断形状。灰度化用cvtColor转COLOR_BGR2GRAY。二值化用threshold或自适应阈值adaptiveThreshold。如果背景光照不均自适应阈值比全局阈值稳。Canny 适合边缘清晰的场景但会产生断裂边缘后续要做闭运算连接。4.2 从轮廓到形状判定的完整代码import org.bytedeco.opencv.opencv_core.*; import org.bytedeco.opencv.global.opencv_imgproc; import org.bytedeco.opencv.global.opencv_core; import org.bytedeco.javacpp.PointerPointer; import org.bytedeco.javacpp.IntPointer; public class ShapeDetect { public static String detectShape(Mat bgr) { Mat gray new Mat(); opencv_imgproc.cvtColor(bgr, gray, opencv_imgproc.COLOR_BGR2GRAY); // 高斯模糊降噪减少轮廓碎片 opencv_imgproc.GaussianBlur(gray, gray, new Size(5, 5), 0); // 自适应阈值二值化适合光照不均 Mat binary new Mat(); opencv_imgproc.adaptiveThreshold(gray, binary, 255, opencv_imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, opencv_imgproc.THRESH_BINARY_INV, 11, 2); // 找轮廓 MatVector contours new MatVector(); Mat hierarchy new Mat(); opencv_imgproc.findContours(binary, contours, hierarchy, opencv_imgproc.RETR_EXTERNAL, opencv_imgproc.CHAIN_APPROX_SIMPLE); String result UNKNOWN; double maxArea 0; for (int i 0; i contours.size(); i) { Mat contour contours.get(i); double area opencv_imgproc.contourArea(contour); // 过滤太小的轮廓避免噪点干扰 if (area 500) continue; // 多边形逼近epsilon 是逼近精度 Mat approx new Mat(); double epsilon 0.02 * opencv_imgproc.arcLength(contour, true); opencv_imgproc.approxPolyDP(contour, approx, epsilon, true); int vertexCount (int) approx.total(); String shape classifyByVertex(vertexCount); if (area maxArea) { maxArea area; result shape; } } return result; } private static String classifyByVertex(int n) { switch (n) { case 3: return TRIANGLE; case 4: return RECTANGLE; case 5: return PENTAGON; case 6: return HEXAGON; default: // 顶点多且接近圆用圆形度判断 return n 8 ? CIRCLE : POLYGON; } } }逻辑说明GaussianBlur平滑图像减少噪点导致的假轮廓。adaptiveThreshold对每个像素根据邻域计算阈值比全局阈值更适合光照不均。findContours的RETR_EXTERNAL只取最外层轮廓CHAIN_APPROX_SIMPLE压缩水平垂直斜向的冗余点。approxPolyDP用 Douglas-Peucker 算法把轮廓逼近成多边形epsilon控制逼近精度越大顶点越少。arcLength算轮廓周长epsilon取周长的 2% 是常用经验值。参数说明adaptiveThreshold的blockSize是邻域大小必须是奇数11 适合中等分辨率图像。C是从均值减去的常数2 是常用值越大二值化越激进。contourArea的过滤阈值 500 要根据图像分辨率调1080p 图像可以设 1000 以上。epsilon的系数 0.02 是经验值形状复杂时降到 0.01形状简单时提到 0.04。4.3 圆形判定为什么要单独处理多边形逼近对圆形不友好因为圆的轮廓点太多approxPolyDP会输出很多顶点单纯按顶点数判断会误判。圆形的判定用圆形度4π × 面积 / 周长²完美圆形为 1越接近 1 越圆。double area opencv_imgproc.contourArea(contour); double perimeter opencv_imgproc.arcLength(contour, true); double circularity 4 * Math.PI * area / (perimeter * perimeter); // 圆形度大于 0.85 判定为圆 if (circularity 0.85) return CIRCLE;逻辑说明圆形度对噪声敏感周长稍微偏大就会拉低圆形度。所以计算前最好对轮廓做一次平滑或者用最小外接圆面积比来辅助判断。参数说明0.85 是常用阈值实际项目中根据形状规整度调整。如果目标本身是手绘圆阈值降到 0.7。5. 避坑与排查颜色形状识别最容易翻车的五个地方5.1 现象颜色识别在白天正常晚上全错原因HSV 的 V 通道随光照变化晚上 V 值整体偏低原来设的 V 下限 100 把目标也过滤掉了。解决不要用固定阈值。要么加自动白平衡预处理要么根据图像平均亮度动态调整 V 的下限。简单做法是算全图 V 通道均值下限设为均值的 0.6 倍。5.2 现象形状识别把正方形识别成圆形原因approxPolyDP的 epsilon 设得太大正方形的四个角被“抹圆”逼近后顶点数超过 8落入圆形判定分支。解决epsilon 系数从 0.02 降到 0.01或者先用contourArea和最小外接矩形面积比判断是否为矩形——矩形填充度高圆形填充度低约 0.785。5.3 现象findContours 报错或返回空原因传入的 Mat 不是单通道二值图。findContours要求输入是 CV_8UC1如果传了三通道彩色图或浮点图会抛异常。解决确保findContours之前做了cvtColor转灰度和threshold二值化。二值图的类型用binary.type()确认应该是CV_8UC1。5.4 现象Java 程序在 IDE 里跑得好打包成 jar 后报 UnsatisfiedLinkError原因JavaCV 的原生库在 jar 里是压缩的运行时需要解压到临时目录。如果打包时把原生库排除了或者临时目录没有写权限就会加载失败。解决用 Maven Shade 或 Assembly 打包时不要过滤.so和.dll。检查java.io.tmpdir是否有写权限。生产环境可以用-Dorg.bytedeco.javacpp.cachedir/opt/cache指定缓存目录。5.5 现象处理一帧要几百毫秒达不到实时原因每帧都创建新的 Mat 对象JVM 频繁 GC。或者图像分辨率太高全图处理耗时。解决复用 Mat 对象用Mat.create()而不是new Mat()。先把图像缩放到 640 宽再处理识别完把坐标映射回原图。findContours的CHAIN_APPROX_SIMPLE比CHAIN_APPROX_NONE快很多除非需要完整轮廓点否则用 SIMPLE。6. 颜色与形状联合判定一个可复用的检测管线单独的颜色识别和形状识别都不难难的是把两者串起来还要在 Java 里跑得稳。我实际项目里的做法是先做颜色掩膜在掩膜上找轮廓再对轮廓做形状判定。这样颜色和形状天然绑定在同一个目标上不会出现“红色区域”和“方形轮廓”对不上的情况。public class CombinedDetector { public static void detect(Mat bgr) { // 第一步颜色掩膜 Mat mask ColorDetect.detectRed(bgr); // 第二步在掩膜上找轮廓 MatVector contours new MatVector(); Mat hierarchy new Mat(); opencv_imgproc.findContours(mask, contours, hierarchy, opencv_imgproc.RETR_EXTERNAL, opencv_imgproc.CHAIN_APPROX_SIMPLE); for (int i 0; i contours.size(); i) { Mat contour contours.get(i); double area opencv_imgproc.contourArea(contour); if (area 500) continue; // 第三步形状判定 Mat approx new Mat(); double epsilon 0.02 * opencv_imgproc.arcLength(contour, true); opencv_imgproc.approxPolyDP(contour, approx, epsilon, true); int vertexCount (int) approx.total(); // 第四步输出颜色形状 String shape classifyByVertex(vertexCount); System.out.println(检测到红色 shape 面积 area); } } }逻辑说明颜色掩膜已经把非目标颜色过滤掉了在掩膜上找轮廓比在原图上找再逐个判断颜色效率高得多。每个轮廓同时携带颜色信息来自掩膜和形状信息来自逼近输出的是“红色三角形”这样的组合结果。参数说明面积过滤阈值和 epsilon 系数需要根据实际目标大小调。如果目标颜色多样对每种颜色各跑一遍这个管线最后合并结果。验证方法拿一张已知答案的测试图人工标注每个目标的颜色和形状跑管线后对比输出。准确率低于 90% 时先查颜色掩膜是否干净再查 epsilon 是否合适。我一般会保存中间掩膜图出问题时肉眼一看就知道是颜色分割错了还是形状逼近错了。这套方案值不值得做取决于你的场景是否规则。几何图像、色块、零件、卡片这类目标Java OpenCV 完全够用部署也简单。但如果是自然场景下的任意物体识别还是得上深度学习模型OpenCV 做预处理就好。我自己的习惯是先用 OpenCV 快速验证可行性跑不通再考虑换方案别一上来就上重武器。希望帮到你。本文还有配套的精品资源点击获取 Java OpenCV实战：几何图像颜色与形状识别落地指南
简介这份PDF面向Java开发者与计算机视觉初学者聚焦如何用Java调用OpenCV视觉库完成几何图像的颜色与形状识别解决Java生态下彩色几何图形识别资料偏少、识别率不高的问题。资源包共1个文件为894KB的PDF文档内容围绕HSV颜色空间展开涵盖图像颜色分离、滤波、灰度化、二值化、轮廓提取、干扰轮廓去除、轮廓形状拟合及凸点距离判断等完整流程可识别三角形、圆、矩形、正方形、多边形等图形并延伸至交通信号灯等实际场景。目前已有169人学习下载。读者可从中获得一套可复用的JavaOpenCV识别思路与算法实现细节理解HSV相较RGB在颜色识别上的优势掌握从颜色分割到形状判别的关键步骤适合作为课程设计、毕业设计或视觉入门项目的参考材料。1. 几何图像颜色与形状识别Java OpenCV 到底能落地到什么程度车间质检工位上摆着一台普通 USB 摄像头传送带送过来一堆塑料齿轮操作员需要在一秒内判断齿轮的颜色是否合格、齿形是否缺角。这种场景用 Python OpenCV 写个 demo 只要半小时但产线上的工控机跑的是 Java 服务MES 系统也是 Spring Boot 那一套运维不想再维护一套 Python 环境。于是问题变成Java 能不能扛住 OpenCV 的图像处理活颜色识别和形状识别的精度够不够用。这个方向解决的就是这件事——用 Java 调用 OpenCV 的原生库在 JVM 里完成图像的色彩空间转换、颜色阈值分割、轮廓提取和多边形逼近最终输出颜色分类和形状分类结果。适合有 Java 基础、需要把视觉能力嵌入现有 Java 后端或桌面应用的开发者。它不适合追求极致帧率的深度学习场景但对规则明确的几何图像——色块、零件轮廓、卡片形状、交通标志——完全够用。下面把我实际落地时踩过的路拆开讲。2. 环境搭建与 JavaCV 选型为什么不用纯 JNI 手写2.1 Java 调 OpenCV 的三条路选错返工一整天Java 本身没有图像处理的底层能力BufferedImage做像素级操作性能很差。要让 Java 用上 OpenCV常见做法有三条第一条是官方 OpenCV 的 Java binding。下载 OpenCV 安装包后opencv-4xx.jar加上对应平台的libopencv_java4xx.soLinux或.dllWindows通过System.loadLibrary(Core.NATIVE_LIBRARY_NAME)加载。这条路最“正统”但跨平台部署时动态库路径经常翻车Windows 上还要处理java.library.path。第二条是 JavaCV。JavaCV 是 Bytedeco 维护的一套 JavaCPP 预设包把 OpenCV、FFmpeg 等原生库打包成 Maven 依赖通过 classifier 自动拉取对应平台的二进制。你只需要在pom.xml里声明依赖不用手动配.so或.dll。对于需要快速在 Windows 开发、Linux 部署的团队这条路省事得多。第三条是自己写 JNI 封装。除非你有极特殊的性能需求否则不建议——维护成本高OpenCV 版本升级时接口全要重写。我一般选 JavaCV原因是依赖管理干净CI/CD 里不用额外装 OpenCV 系统包。代价是包体积偏大一个javacv-platform依赖会拉下所有平台的二进制几百 MB。生产环境可以用 classifier 只保留目标平台。2.2 Maven 依赖与最小可运行代码下面是一个只保留 Linux x86_64 平台的依赖配置避免把 Windows 和 macOS 的库也打进去dependencies !-- JavaCV 核心排除全平台二进制 -- dependency groupIdorg.bytedeco/groupId artifactIdjavacv/artifactId version1.5.10/version /dependency !-- 只拉取 Linux x86_64 的 OpenCV 原生库 -- dependency groupIdorg.bytedeco/groupId artifactIdopencv/artifactId version4.9.0-1.5.10/version classifierlinux-x86_64/classifier /dependency !-- JavaCPP 运行时 -- dependency groupIdorg.bytedeco/groupId artifactIdjavacpp/artifactId version1.5.10/version /dependency /dependencies逻辑说明javacv是聚合包opencv带 classifier 的依赖才是真正包含libopencv_java原生库的包。版本号里4.9.0-1.5.10表示 OpenCV 4.9.0 对应 JavaCPP 1.5.10 的封装。如果你在 Windows 上开发把 classifier 换成windows-x86_64或者干脆用javacv-platform一次性全平台。参数说明classifier决定了拉取哪个平台的二进制写错会在运行时抛UnsatisfiedLinkError。version里 OpenCV 和 JavaCPP 的版本必须匹配不能随意混搭。最小验证代码——读一张图打印尺寸和通道数import org.bytedeco.opencv.opencv_core.Mat; import org.bytedeco.opencv.global.opencv_imgcodecs; public class EnvCheck { public static void main(String[] args) { // 用 imread 读取图片第二个参数 IMREAD_COLOR 强制三通道 Mat img opencv_imgcodecs.imread(test.jpg, opencv_imgcodecs.IMREAD_COLOR); if (img.empty()) { System.out.println(图片读取失败检查路径); return; } // rows高, cols宽, channels通道数 System.out.println(高: img.rows() 宽: img.cols() 通道: img.channels()); } }逻辑说明imread返回的Mat是 OpenCV 的内存矩阵empty()判断是否读取成功。rows()是图像高度cols()是宽度channels()对彩色图是 3。这一步跑通说明原生库加载正常后面所有处理都建立在这个基础上。参数说明IMREAD_COLOR会强制转成 BGR 三通道即使原图是灰度或带 alpha 通道。如果你要保留 alpha用IMREAD_UNCHANGED。路径用相对路径时工作目录是项目根目录不是src。提示如果imread返回空但路径没错先确认文件确实存在且不是中文路径。OpenCV 在部分平台上对非 ASCII 路径支持不好这是血泪经验。3. 颜色识别从 BGR 到 HSV 的阈值分割与掩膜提取3.1 为什么颜色识别必须先转 HSV直接用 BGR 三个通道做阈值光照一变阈值就废。HSV 把色相H、饱和度S、明度V分开色相描述“是什么颜色”明度描述“有多亮”。调整光照主要影响 V色相基本稳定。所以颜色识别的标准流程是BGR 转 HSV对 H 通道设范围生成掩膜再用掩膜提取原图区域。OpenCV 里 H 的范围是 0 到 179不是 360S 和 V 是 0 到 255。红色比较特殊它跨在 H 的两端0 附近和 179 附近需要两个区间合并。3.2 颜色阈值分割的完整代码import org.bytedeco.opencv.opencv_core.*; import org.bytedeco.opencv.global.opencv_imgproc; import org.bytedeco.opencv.global.opencv_core; import static org.bytedeco.opencv.global.opencv_imgproc.*; public class ColorDetect { public static Mat detectRed(Mat bgr) { Mat hsv new Mat(); // BGR 转 HSV颜色空间转换是后续阈值的前提 opencv_imgproc.cvtColor(bgr, hsv, opencv_imgproc.COLOR_BGR2HSV); // 红色跨 H 两端分两段 Mat mask1 new Mat(); Mat mask2 new Mat(); // 低端H 0-10 opencv_core.inRange(hsv, new Scalar(0, 100, 100, 0), new Scalar(10, 255, 255, 0), mask1); // 高端H 170-179 opencv_core.inRange(hsv, new Scalar(170, 100, 100, 0), new Scalar(179, 255, 255, 0), mask2); // 两段掩膜合并 Mat mask new Mat(); opencv_core.bitwise_or(mask1, mask2, mask); // 形态学开运算去噪先腐蚀后膨胀去掉小噪点 Mat kernel opencv_imgproc.getStructuringElement( opencv_imgproc.MORPH_RECT, new Size(5, 5)); opencv_imgproc.morphologyEx(mask, mask, opencv_imgproc.MORPH_OPEN, kernel); return mask; } }逻辑说明cvtColor把 BGR 转成 HSV。inRange对每个像素判断是否落在[lower, upper]区间内落在区间内输出 255否则 0结果是一张单通道二值图。红色因为 H 跨两端用两次inRange再bitwise_or合并。morphologyEx的开运算先腐蚀掉小噪点再膨胀恢复主体能有效去掉阈值分割产生的零星白点。参数说明Scalar的四个参数是 H、S、V、alpha第四个不用填 0。S 下限设 100 是为了排除灰白色饱和度低的干扰V 下限设 100 排除过暗区域。这两个值要根据实际光照调光照强时 V 下限可以提到 150。Size(5,5)的核越大去噪越强但也会吃掉小目标一般 3 到 7 之间。3.3 颜色分类的判定逻辑拿到掩膜后统计掩膜中非零像素占比超过阈值就判定为该颜色public static String classifyColor(Mat bgr) { Mat mask detectRed(bgr); // countNonZero 统计掩膜中白色像素数 int redPixels opencv_core.countNonZero(mask); double ratio (double) redPixels / (bgr.rows() * bgr.cols()); // 占比超过 15% 判定为红色 if (ratio 0.15) return RED; return UNKNOWN; }逻辑说明countNonZero返回掩膜中值不为 0 的像素个数除以总像素数得到占比。占比阈值根据目标在画面中的大小定如果目标占画面一半阈值可以设 0.3如果目标很小设 0.05。参数说明多颜色分类时对每种颜色各生成一个掩膜取占比最大的作为结果。注意不同颜色的掩膜可能重叠比如橙色同时落在红和黄的范围需要按优先级或互斥区间处理。4. 形状识别轮廓提取、多边形逼近与形状判定4.1 轮廓提取的前置处理链形状识别的前提是二值图。流程是灰度化 → 二值化或 Canny 边缘检测→ 找轮廓 → 对每个轮廓做多边形逼近 → 根据逼近后的顶点数判断形状。灰度化用cvtColor转COLOR_BGR2GRAY。二值化用threshold或自适应阈值adaptiveThreshold。如果背景光照不均自适应阈值比全局阈值稳。Canny 适合边缘清晰的场景但会产生断裂边缘后续要做闭运算连接。4.2 从轮廓到形状判定的完整代码import org.bytedeco.opencv.opencv_core.*; import org.bytedeco.opencv.global.opencv_imgproc; import org.bytedeco.opencv.global.opencv_core; import org.bytedeco.javacpp.PointerPointer; import org.bytedeco.javacpp.IntPointer; public class ShapeDetect { public static String detectShape(Mat bgr) { Mat gray new Mat(); opencv_imgproc.cvtColor(bgr, gray, opencv_imgproc.COLOR_BGR2GRAY); // 高斯模糊降噪减少轮廓碎片 opencv_imgproc.GaussianBlur(gray, gray, new Size(5, 5), 0); // 自适应阈值二值化适合光照不均 Mat binary new Mat(); opencv_imgproc.adaptiveThreshold(gray, binary, 255, opencv_imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, opencv_imgproc.THRESH_BINARY_INV, 11, 2); // 找轮廓 MatVector contours new MatVector(); Mat hierarchy new Mat(); opencv_imgproc.findContours(binary, contours, hierarchy, opencv_imgproc.RETR_EXTERNAL, opencv_imgproc.CHAIN_APPROX_SIMPLE); String result UNKNOWN; double maxArea 0; for (int i 0; i contours.size(); i) { Mat contour contours.get(i); double area opencv_imgproc.contourArea(contour); // 过滤太小的轮廓避免噪点干扰 if (area 500) continue; // 多边形逼近epsilon 是逼近精度 Mat approx new Mat(); double epsilon 0.02 * opencv_imgproc.arcLength(contour, true); opencv_imgproc.approxPolyDP(contour, approx, epsilon, true); int vertexCount (int) approx.total(); String shape classifyByVertex(vertexCount); if (area maxArea) { maxArea area; result shape; } } return result; } private static String classifyByVertex(int n) { switch (n) { case 3: return TRIANGLE; case 4: return RECTANGLE; case 5: return PENTAGON; case 6: return HEXAGON; default: // 顶点多且接近圆用圆形度判断 return n 8 ? CIRCLE : POLYGON; } } }逻辑说明GaussianBlur平滑图像减少噪点导致的假轮廓。adaptiveThreshold对每个像素根据邻域计算阈值比全局阈值更适合光照不均。findContours的RETR_EXTERNAL只取最外层轮廓CHAIN_APPROX_SIMPLE压缩水平垂直斜向的冗余点。approxPolyDP用 Douglas-Peucker 算法把轮廓逼近成多边形epsilon控制逼近精度越大顶点越少。arcLength算轮廓周长epsilon取周长的 2% 是常用经验值。参数说明adaptiveThreshold的blockSize是邻域大小必须是奇数11 适合中等分辨率图像。C是从均值减去的常数2 是常用值越大二值化越激进。contourArea的过滤阈值 500 要根据图像分辨率调1080p 图像可以设 1000 以上。epsilon的系数 0.02 是经验值形状复杂时降到 0.01形状简单时提到 0.04。4.3 圆形判定为什么要单独处理多边形逼近对圆形不友好因为圆的轮廓点太多approxPolyDP会输出很多顶点单纯按顶点数判断会误判。圆形的判定用圆形度4π × 面积 / 周长²完美圆形为 1越接近 1 越圆。double area opencv_imgproc.contourArea(contour); double perimeter opencv_imgproc.arcLength(contour, true); double circularity 4 * Math.PI * area / (perimeter * perimeter); // 圆形度大于 0.85 判定为圆 if (circularity 0.85) return CIRCLE;逻辑说明圆形度对噪声敏感周长稍微偏大就会拉低圆形度。所以计算前最好对轮廓做一次平滑或者用最小外接圆面积比来辅助判断。参数说明0.85 是常用阈值实际项目中根据形状规整度调整。如果目标本身是手绘圆阈值降到 0.7。5. 避坑与排查颜色形状识别最容易翻车的五个地方5.1 现象颜色识别在白天正常晚上全错原因HSV 的 V 通道随光照变化晚上 V 值整体偏低原来设的 V 下限 100 把目标也过滤掉了。解决不要用固定阈值。要么加自动白平衡预处理要么根据图像平均亮度动态调整 V 的下限。简单做法是算全图 V 通道均值下限设为均值的 0.6 倍。5.2 现象形状识别把正方形识别成圆形原因approxPolyDP的 epsilon 设得太大正方形的四个角被“抹圆”逼近后顶点数超过 8落入圆形判定分支。解决epsilon 系数从 0.02 降到 0.01或者先用contourArea和最小外接矩形面积比判断是否为矩形——矩形填充度高圆形填充度低约 0.785。5.3 现象findContours 报错或返回空原因传入的 Mat 不是单通道二值图。findContours要求输入是 CV_8UC1如果传了三通道彩色图或浮点图会抛异常。解决确保findContours之前做了cvtColor转灰度和threshold二值化。二值图的类型用binary.type()确认应该是CV_8UC1。5.4 现象Java 程序在 IDE 里跑得好打包成 jar 后报 UnsatisfiedLinkError原因JavaCV 的原生库在 jar 里是压缩的运行时需要解压到临时目录。如果打包时把原生库排除了或者临时目录没有写权限就会加载失败。解决用 Maven Shade 或 Assembly 打包时不要过滤.so和.dll。检查java.io.tmpdir是否有写权限。生产环境可以用-Dorg.bytedeco.javacpp.cachedir/opt/cache指定缓存目录。5.5 现象处理一帧要几百毫秒达不到实时原因每帧都创建新的 Mat 对象JVM 频繁 GC。或者图像分辨率太高全图处理耗时。解决复用 Mat 对象用Mat.create()而不是new Mat()。先把图像缩放到 640 宽再处理识别完把坐标映射回原图。findContours的CHAIN_APPROX_SIMPLE比CHAIN_APPROX_NONE快很多除非需要完整轮廓点否则用 SIMPLE。6. 颜色与形状联合判定一个可复用的检测管线单独的颜色识别和形状识别都不难难的是把两者串起来还要在 Java 里跑得稳。我实际项目里的做法是先做颜色掩膜在掩膜上找轮廓再对轮廓做形状判定。这样颜色和形状天然绑定在同一个目标上不会出现“红色区域”和“方形轮廓”对不上的情况。public class CombinedDetector { public static void detect(Mat bgr) { // 第一步颜色掩膜 Mat mask ColorDetect.detectRed(bgr); // 第二步在掩膜上找轮廓 MatVector contours new MatVector(); Mat hierarchy new Mat(); opencv_imgproc.findContours(mask, contours, hierarchy, opencv_imgproc.RETR_EXTERNAL, opencv_imgproc.CHAIN_APPROX_SIMPLE); for (int i 0; i contours.size(); i) { Mat contour contours.get(i); double area opencv_imgproc.contourArea(contour); if (area 500) continue; // 第三步形状判定 Mat approx new Mat(); double epsilon 0.02 * opencv_imgproc.arcLength(contour, true); opencv_imgproc.approxPolyDP(contour, approx, epsilon, true); int vertexCount (int) approx.total(); // 第四步输出颜色形状 String shape classifyByVertex(vertexCount); System.out.println(检测到红色 shape 面积 area); } } }逻辑说明颜色掩膜已经把非目标颜色过滤掉了在掩膜上找轮廓比在原图上找再逐个判断颜色效率高得多。每个轮廓同时携带颜色信息来自掩膜和形状信息来自逼近输出的是“红色三角形”这样的组合结果。参数说明面积过滤阈值和 epsilon 系数需要根据实际目标大小调。如果目标颜色多样对每种颜色各跑一遍这个管线最后合并结果。验证方法拿一张已知答案的测试图人工标注每个目标的颜色和形状跑管线后对比输出。准确率低于 90% 时先查颜色掩膜是否干净再查 epsilon 是否合适。我一般会保存中间掩膜图出问题时肉眼一看就知道是颜色分割错了还是形状逼近错了。这套方案值不值得做取决于你的场景是否规则。几何图像、色块、零件、卡片这类目标Java OpenCV 完全够用部署也简单。但如果是自然场景下的任意物体识别还是得上深度学习模型OpenCV 做预处理就好。我自己的习惯是先用 OpenCV 快速验证可行性跑不通再考虑换方案别一上来就上重武器。希望帮到你。本文还有配套的精品资源点击获取