在计算机的世界里，只有 0 或者1，如何让计算机认识颜色是计算机视觉工作者首先需要考虑的事情，我们知道整个世界的颜色虽然五彩缤纷，但是都是3种原色彩合成的（R G B），有了（R G B）三源色，便可以通过调节不同的颜色比例来达到其他颜色的效果。
在计算机的世界里面，我们定义了（R G B）三源色的像素都在（0-255之间），通过配置这些数字，便可以显示不同的色彩
首先定义一个数组colist：
import numpy as np
import cv2
image = cv2.imread("11.jpg")
colist = [
([17, 15, 100], [50, 56, 200]),
([86, 31, 4], [220, 88, 50]),
([25, 146, 190] , [62, 174, 250]),
([103, 86, 65], [145, 133, 128])
]在RGB色彩空间，当然opencv是在BGR的空间，定义了四种不同颜色的像素，同时代表了R G B ,gray
在这里，我们说图像中所有具有R> = 100，G> = 15和B> = 17以及R <= 200，G<= 56和B <= 50的像素将被视为 红色,
具有R> = 4，G> = 31和B> = 86以及R <= 50，G<= 88和B <= 220的像素将被视为绿色
具有R> = 190，G> = 146和B> = 25以及R <= 250，G<= 174和B <= 62的像素将被视为黄色
具有R> = 65，G> = 86和B> = 103以及R <= 128，G<= 133和B <= 145的像素将被视为灰色
有了这些颜色的定义，我们便可以使用上下限的颜色数据，对图片中的颜色进行检测，
for (lower, upper) in colist:
lower = np.array(lower, dtype = "uint8")
upper = np.array(upper, dtype = "uint8")
mask = cv2.inRange(image, lower, upper)
output = cv2.bitwise_and(image, image, mask = mask)
cv2.imshow("images", np.hstack([image, output]))
cv2.waitKey(0)首先使用cv2.inRange(image, lower, upper)函数进行图片颜色的筛选
mask = cv2.inRange(image, lower, upper)
函数参数有三个
第一个参数：image指的是原图
第二个参数：lower指的是图像中低于这个lower的值，图像值变为0
第三个参数：upper指的是图像中高于这个upper的值，图像值变为0
而在lower～upper之间的值变成255按照红色为例：通过以上函数的筛选，不是红色区域的都被置为0，而红色区域都被置为255
经过以上步骤，mask便是一个黑白的照片，其中不是红色的区域为黑色，红色区域为白色
然后使用cv2.bitwise_and函数对图片进行与操作
cv2.bitwise_and()是对二进制数据进行“与”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“与”操作，1&1=1，1&0=0，0&1=0，0&0=0
利用掩膜（mask）进行“与”操作，即掩膜图像白色区域是对需要处理图像像素的保留，黑色区域是对需要处理图像像素的剔除
这样我们便可以删除了除红色区域以外的其他颜色，保留了红色，当然其他颜色具有类似的原理
最后我们显示一下图片中的颜色
当然你也可以使用L*a*b颜色空间，或者hsv颜色空间，什么叫L*a*b颜色空间，或者hsv颜色空间
以上2篇文章主要介绍了lab空间的颜色使用
hsv颜色空间的使用，可以参考小编的专栏《打造属于自己的天眼目标追踪系统》中的颜色追踪