一、项目背景与需求分析

在内容审核、图像分类等场景中，颜色特征常被用作快速筛选的依据。例如，某些敏感内容可能包含特定颜色组合（如高饱和度红色与黄色），通过自动化颜色识别可提升审核效率。Python凭借其丰富的图像处理库（如OpenCV、PIL）和机器学习工具（如scikit-learn），成为实现此类功能的理想选择。

核心需求：

1. 自动提取图像中的主色调
2. 识别特定颜色范围（如“黄色系”）
3. 输出颜色分布报告或分类结果

二、技术原理与实现步骤

1. 图像预处理与颜色空间转换

OpenCV默认使用BGR颜色空间，而颜色分析通常需转换为HSV（色相、饱和度、明度）或Lab空间。HSV空间更符合人类视觉感知，适合颜色范围筛选。

import cv2
import numpy as np
def bgr_to_hsv(image_path):
    img = cv2.imread(image_path)
    hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    return hsv_img

2. 主色调提取：K-Means聚类算法

通过K-Means聚类将图像颜色归为若干簇，提取占比最高的颜色作为主色调。

def extract_dominant_colors(image_path, k=3):
    img = cv2.imread(image_path)
    img = img.reshape((-1, 3))  # 转换为二维数组（像素×RGB）
    # 使用K-Means聚类
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
    _, labels, centers = cv2.kmeans(
        np.float32(img), k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS
    )
    # 计算各簇占比
    counts = np.bincount(labels.flatten())
    dominant_idx = np.argmax(counts)
    dominant_color = centers[dominant_idx].astype(int)
    return dominant_color

3. 颜色范围检测：HSV阈值过滤

定义敏感颜色范围（如黄色），通过HSV阈值筛选像素并计算占比。

def detect_yellow_ratio(image_path, lower_yellow=np.array([20, 100, 100]), upper_yellow=np.array([30, 255, 255])):
    hsv_img = bgr_to_hsv(image_path)
    mask = cv2.inRange(hsv_img, lower_yellow, upper_yellow)
    yellow_pixels = cv2.countNonZero(mask)
    total_pixels = hsv_img.shape[0] * hsv_img.shape[1]
    return yellow_pixels / total_pixels

三、完整“鉴黄”小程序实现

结合上述功能，构建一个可检测图像中黄色占比并输出报告的小程序。

def yellow_detection_report(image_path, threshold=0.15):
    yellow_ratio = detect_yellow_ratio(image_path)
    dominant_color = extract_dominant_colors(image_path)
    report = {
        "image_path": image_path,
        "dominant_color": dominant_color.tolist(),
        "yellow_pixel_ratio": float(f"{yellow_ratio:.4f}"),
        "is_sensitive": yellow_ratio > threshold
    }
    print("检测报告：")
    print(f"主色调: RGB{dominant_color}")
    print(f"黄色像素占比: {yellow_ratio*100:.2f}%")
    print(f"是否敏感内容: {'是' if report['is_sensitive'] else '否'}")
    return report
# 示例调用
yellow_detection_report("test_image.jpg")

四、优化与扩展方向

1. 性能优化

• 并行处理：使用多线程或GPU加速（如CuPy）处理大量图像。
• 缓存机制：对已处理图像存储颜色特征，避免重复计算。

2. 功能扩展

• 多颜色检测：扩展支持红色、橙色等敏感色范围。
• 结合物体检测：通过YOLO等模型定位特定区域后再分析颜色（如检测“皮肤色”区域）。
• 机器学习分类：训练SVM或CNN模型直接分类图像是否敏感。

3. 阈值动态调整

根据场景需求动态调整颜色范围和比例阈值：

def dynamic_threshold_detection(image_path, config):
    """
    config示例:
    {
        "colors": [
            {"name": "yellow", "lower": [20,100,100], "upper": [30,255,255], "threshold": 0.15},
            {"name": "red", "lower": [0,100,100], "upper": [10,255,255], "threshold": 0.1}
        ]
    }
    """
    hsv_img = bgr_to_hsv(image_path)
    results = []
    for color_cfg in config["colors"]:
        mask = cv2.inRange(hsv_img, *color_cfg["lower"], *color_cfg["upper"])  # 需调整参数传递方式
        ratio = cv2.countNonZero(mask) / (hsv_img.shape[0] * hsv_img.shape[1])
        results.append({
            "color": color_cfg["name"],
            "ratio": ratio,
            "is_sensitive": ratio > color_cfg["threshold"]
        })
    return results

五、实际应用场景

1. 内容平台审核：自动标记可能包含敏感颜色的图片。
2. 工业质检：检测产品颜色是否符合标准（如电路板颜色异常）。
3. 艺术分析：统计画作中的主色调分布。

六、注意事项

1. 颜色空间选择：HSV对光照敏感，需在均匀光照下使用；Lab空间更稳定但计算复杂度高。
2. 阈值设定：需根据实际数据调整，避免误判（如夕阳的黄色可能被误检）。
3. 法律合规：确保程序仅用于合法场景，避免侵犯隐私。

七、总结与展望

本文实现的Python“鉴黄”小程序通过颜色识别技术，为内容审核提供了一种高效、可定制的解决方案。未来可结合深度学习模型（如ResNet提取高级特征）进一步提升准确性，或集成到Web服务中实现实时检测。开发者可根据实际需求调整颜色范围、聚类数量等参数，打造更贴合业务的工具。