颜色是物体的一种重要特征，人们可以依据颜色对物体进行分类、判断等。颜色的应用在很多行业给予了人们极大的便利，在快递行业，在流水线上依据各个快递公司单页的颜色不同进行分拣；在农业，利用颜色识别判断果蔬的成熟程度（自动采摘）和进行田间杂草和作物的区分（智能除草）；在公共安全方面，对火焰颜色的识别大到运用在卫星上监控山火，小到运用在仓库进行火灾预警；在纺织行业，依据对产品颜色的识别来判断是否残次；在交通行业，对红绿灯、指示牌、车身颜色的识别都依赖于自动化的颜色识别。接着上篇的魔方定位，下面来聊一聊魔方的颜色判别。


光线——第一要素

首先得指出光线的重要性，光线的好坏程度决定了你识别准确率的天花板。摄像头中的图像信息是有感光元件产生的，自然光、暖色调光、冷光对于摄像头的成像效果都有不同。这个时候就需要白平衡的作用了，白平衡简单来说就是为了让白色在不同色调光下更像白色。比如你家里有一只雪白大狗，在路边黄色的路灯下给它拍照，关闭相机的自动白平衡的话，那么照片中的大狗毛色就会显黄色，白平衡就是让它显示出真正的白色。白平衡算法可以自己写，但一般摄像头中会自带白平衡效果，通过配置摄像头的寄存器可以选择。


颜色识别方法

颜色的识别可以在RGB色彩空间中完成，也可以转化到HSV色彩空间中完成。以前我的做法是在RGB中设置黄、红、蓝等颜色的标准点，然后计算提取的颜色点和各个标准点的欧式距离。然后找出距离最小的点，那么最小意味这最接近，也就是将这个点分类至该标准点的集合。但由于光线的干扰，往往某两种颜色的三维区域会出现交集，比如红和橙，它们的R ，B 分量几乎一样，G分量相差也不大，在光照不明朗的情况下往往会造成误判断。


为了减少这种误判断，是否换一个空间效果会好一些呢，于是我便从RGB中转成HSV，HSV空间的优点是H、S分量和V分量是不相关的。而光线对V分量的影响大于对H S 的影响。这就意味这颜色的区间在HS中会有更小的交集。现在我的做法是

1、在同一光照下提前进行魔方色块的色调H与饱和度S的学习，更新该光照下HS的标准值。（其实这步可有可无，在HS中魔方的色块之间的区域比较分明，可以用经验值替代）

2、饱和度小于50认为是白色，其他的颜色只需要H分量，每个色块提取9个采样点，做中值滤波，滤波之后与其他5个标准点进行做差，（RGB是3维，这里只是一维H）然后找到最小值，判定颜色归属。（HSV空间的特点可以参考我的博文RGB转HSV）

3、对54个色块颜色进行统计，判断是否6*9的结果，否返回重新采集。