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，可解决传统RGB识别率不高、Java实现案例偏少的问题。资源包共1个PDF文件，约894KB，内容为完整技术文档，便于按章节系统阅读与对照实践。文中围绕HSV颜色空间展开，先按H、S、V取值范围分割图像，再经滤波、灰度化、二值化、轮廓提取、去除干扰轮廓、轮廓形状拟合与凸点距离判断，识别三角形、圆、矩形、正方形、多边形等几何图形，并给出交通信号灯、信号转向灯等应用场景。目前已有169人学习，适合想掌握OpenCV-Java图像处理流程、补齐颜色分离与形状拟合思路的读者参考。

1. 从一张交通灯照片说起：Java 也能做几何图像颜色与形状识别

路口抓拍一张交通灯照片，人眼一秒就能分辨“红灯圆、绿灯圆、黄灯圆”，但要让程序自动说出“这是红色圆形”，背后其实是一条完整的图像处理流水线。这份资源给出的方案，是用 Java 调用 OpenCV 视觉库，把一张彩色几何图先转到 HSV 颜色空间，按 H、S、V 的取值范围把红、黄、绿、橙等颜色逐个分离出来，再对每种颜色的分割图做滤波、灰度化、二值化、轮廓提取、干扰轮廓剔除、形状拟合，最后靠凸点个数和相邻凸点距离判断它是三角形、圆、矩形、正方形还是多边形。整套流程不依赖深度学习模型，纯传统视觉算法，跑在普通电脑上就能出结果，适合想用 Java 做图像识别入门、又不想一上来就啃神经网络的开发者。如果你手里正好有交通信号灯、火焰识别、色块分拣这类“颜色加形状”的判别需求，这份材料能直接当骨架用。

2. 环境搭建与 OpenCV Java 包导入：从零把工程跑起来

2.1 为什么选 Java 调 OpenCV 而不是 Python

翻一圈资料会发现，彩色几何图像识别大多用 C++、Python 或 MATLAB 写，Java 实现的偏少。但实际项目里，很多后台服务、桌面工具、教学实验环境本身就是 Java 技术栈，为了一个识别功能再单独维护一套 Python 服务，部署和联调都多一层麻烦。这份资源的价值就在于把 OpenCV 的 Java 接口用起来，让识别逻辑直接长在 Java 工程里。另一个选型点是颜色空间：不少 Java 实现直接用 R、G、B 三原色做判断，但 RGB 三个分量都和亮度耦合，换个光照条件阈值就飘；HSV 把色调 H、饱和度 S、明度 V 拆开，颜色判断主要看 H，鲁棒性明显更好，这也是它识别率能上去的关键。

2.2 下载与导入 OpenCV Java 库

资源里用的是 OpenCV 3.0.0，解压后目录结构里跟 Java 相关的是build\java这一层。导入步骤不复杂，但位数选错会直接报UnsatisfiedLinkError，这是最常见的翻车点。

# 解压 OpenCV 后，进入 build/java 目录 # 32 位系统选 x86，64 位系统选 x64 opencv-3.0.0/ build/ java/ opencv-300.jar # Java 接口 jar 包 x86/ # 32 位动态库 opencv_java300.dll x64/ # 64 位动态库 opencv_java300.dll

在 Eclipse 里右键项目 → Build Path → Configure Build Path → Libraries → Add External JARs，把opencv-300.jar加进来。然后还要让 JVM 找得到动态库，两种做法：一是把对应位数的 dll 所在目录加进java.library.path，二是在代码里显式加载。

// 静态代码块里加载本地库，路径按实际解压位置改 static { // 32 位系统用 x86 目录，64 位用 x64 System.load("D:/opencv-3.0.0/build/java/x86/opencv_java300.dll"); }

参数说明：System.load接收的是 dll 的绝对路径，不是目录；如果写成目录会抛异常。用System.loadLibrary("opencv_java300")也可以，但前提是 dll 所在目录已经在java.library.path里。我一般会在项目启动时先跑一句System.out.println(System.getProperty("java.library.path"))，确认路径到底有没有生效，比盲猜快得多。

2.3 最小可运行验证

导入完别急着写识别逻辑，先写个最小用例确认 OpenCV 真的能调起来。

import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.imgcodecs.Imgcodecs; public class OpenCVSmokeTest { public static void main(String[] args) { // 加载本地库 System.load("D:/opencv-3.0.0/build/java/x86/opencv_java300.dll"); // 读一张图，路径换成你自己的 Mat img = Imgcodecs.imread("test.png"); if (img.empty()) { System.out.println("图片没读到，检查路径"); return; } System.out.println("宽=" + img.width() + " 高=" + img.height() + " 通道=" + img.channels()); } }

逻辑说明：Imgcodecs.imread返回的Mat如果为空，说明路径错或格式不支持，后面所有处理都会连锁失败，所以这一步必须卡住。channels()返回 3 表示三通道彩色图，返回 1 是灰度图。这个冒烟测试过了，再往下做颜色分割才有意义。

3. 颜色分割核心链路：HSV 转换、阈值分割与像素统计

3.1 缩小图像与颜色空间转换

原图直接处理像素量大，遍历起来慢，所以第一步先缩小。资源里用Imgproc.resize把图缩到较小尺寸，处理速度能明显提升，代价是细节损失，但对几何图形这种大色块目标影响不大。

import org.opencv.core.Mat; import org.opencv.core.Size; import org.opencv.imgproc.Imgproc; // src 原图，dst 缩小后的图，dsize 目标尺寸 Mat resized = new Mat(); Imgproc.resize(src, resized, new Size(320, 240)); // OpenCV 默认按 BGR 读图，先转 BGR 再转 HSV Mat hsv = new Mat(); Imgproc.cvtColor(resized, hsv, Imgproc.COLOR_BGR2HSV);

参数说明：resize的第三个参数是目标尺寸，宽高按比例给就行，不用太精确。cvtColor的转换码这里直接用COLOR_BGR2HSV，因为imread读进来就是 BGR 顺序。资源原文里先 RGB 转 BGR 再 BGR 转 HSV，是因为它假设输入是 RGB 型图像；实际用imread读文件的话，一步COLOR_BGR2HSV就够了，少一次转换少一次误差。

3.2 遍历像素统计各颜色数量

HSV 空间里每种颜色都有对应的 H、S、V 范围，遍历像素点，落在哪个范围就归为哪种颜色，同时累计个数。这一步是后面设阈值判断“图里到底有没有这种颜色”的依据。

// 统计各颜色像素个数 int redCount = 0, greenCount = 0, yellowCount = 0, orangeCount = 0; for (int i = 0; i < hsv.rows(); i++) { for (int j = 0; j < hsv.cols(); j++) { double[] clone = hsv.get(i, j).clone(); int h = (int) clone[0]; // 色调 0-180 int s = (int) clone[1]; // 饱和度 0-255 int v = (int) clone[2]; // 明度 0-255 // 红色 H 在 0-10 或 156-180 两段 if ((h >= 0 && h <= 10) || (h >= 156 && h <= 180)) { if (s > 43 && v > 46) redCount++; } // 绿色 H 约 35-77 else if (h >= 35 && h <= 77 && s > 43 && v > 46) { greenCount++; } // 黄色 H 约 26-34 else if (h >= 26 && h <= 34 && s > 43 && v > 46) { yellowCount++; } // 橙色 H 约 11-25 else if (h >= 11 && h <= 25 && s > 43 && v > 46) { orangeCount++; } } }

逻辑说明：hsv.get(i, j)返回的是double[]，直接.clone()避免引用被后续操作改掉。H 在 OpenCV 里范围是 0 到 180，不是 0 到 360，这点跟很多资料不一样，写阈值时容易搞错。S 和 V 加了下限过滤，是为了排除灰白和过暗的像素，否则背景里的浅色区域会被误判成目标颜色。红色横跨 0 和 180 两端，必须写成两段判断，只写一段会漏掉一半红色像素。

3.3 阈值判断与 inRange 分割

统计完像素数，设一个阈值，资源里用的是大于 200。超过这个数才认为图里存在该颜色，否则视为环境反光或噪声带来的干扰。这个阈值不是固定的，图小就调小，图大就调大，本质是过滤掉零星噪点。

import org.opencv.core.Core; import org.opencv.core.Scalar; // 绿色 HSV 上下限 Scalar minVal = new Scalar(35, 43, 46); Scalar maxVal = new Scalar(77, 255, 255); // 生成掩膜，落在范围内的像素为 255，其余为 0 Mat mask = new Mat(); Core.inRange(hsv, minVal, maxVal, mask); // 用掩膜和原图做与运算，得到只保留绿色的分割图 Mat greenPart = new Mat(); Core.bitwise_and(resized, resized, greenPart, mask);

参数说明：inRange的三个参数分别是输入 HSV 图、下限 Scalar、上限 Scalar，输出是单通道掩膜。bitwise_and的第四个参数是掩膜，只有掩膜为 255 的位置才保留原图像素，其余置黑。这样每种颜色都能得到一张干净的分割图，后面形状识别就在这张图上做。资源里对红、黄、绿、橙都做了同样处理，其他颜色照搬这套上下限即可。

4. 形状识别流水线：从分割图到凸点判形

4.1 三通道转换与滤波去噪

分割出来的图是单通道掩膜结果，不能直接做灰度化，得先转回三通道。这一步不做的话，后面cvtColor会报通道数不匹配。

// 单通道转三通道 Mat rdst = new Mat(); greenPart.convertTo(rdst, CvType.CV_8UC3); // 高斯滤波去噪，核大小 5x5 Mat blurred = new Mat(); Imgproc.GaussianBlur(rdst, blurred, new Size(5, 5), 0);

参数说明：convertTo的第二个参数CvType.CV_8UC3表示 8 位无符号三通道。GaussianBlur的核大小用奇数，5x5 是比较通用的起点，图噪点多就加到 7x7，但核越大边缘越糊，轮廓会变形，得权衡。高斯滤波主要对付光线和反光带来的细碎噪点，这一步做完图会柔和一些。

4.2 灰度化、二值化与形态学处理

找轮廓前必须把图变成黑白分明的二值图。先灰度化，再阈值二值化，然后用腐蚀和膨胀把零散像素清掉、把断开的轮廓连上。

// 灰度化 Mat gray = new Mat(); Imgproc.cvtColor(blurred, gray, Imgproc.COLOR_BGR2GRAY); // 二值化，阈值 127，最大值 255 Mat binary = new Mat(); Imgproc.threshold(gray, binary, 127, 255, Imgproc.THRESH_BINARY); // 腐蚀去掉零散像素点 Mat eroded = new Mat(); Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(3, 3)); Imgproc.erode(binary, eroded, kernel); // 膨胀把轮廓重新连通 Mat dilated = new Mat(); Imgproc.dilate(eroded, dilated, kernel);

逻辑说明：threshold的阈值 127 是中间值，如果目标色块偏暗可以调低，偏亮调高。腐蚀和膨胀用的核是 3x3 矩形，先腐蚀后膨胀等于开运算，作用是去小噪点、保大轮廓。资源里特别提到这一步能去掉干扰直线和不封闭轮廓，实际调的时候如果发现目标轮廓也被腐蚀断了，就把核改小或者只做膨胀不做腐蚀。

4.3 轮廓提取与干扰剔除

二值图准备好后，用findContours把所有轮廓找出来，然后按面积过滤掉太小和太大的。

import org.opencv.core.MatOfPoint; import java.util.ArrayList; import java.util.List; List<MatOfPoint> contours = new ArrayList<>(); Mat hierarchy = new Mat(); Imgproc.findContours(dilated, contours, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_SIMPLE); // 剔除面积过小或过大的轮廓 for (int j = 0; j < contours.size(); j++) { double area = Imgproc.contourArea(contours.get(j)); if (area <= 10 || area >= 80000) { contours.remove(contours.get(j)); j--; // 删除后索引回退，否则会跳过一个 } }

参数说明：RETR_EXTERNAL只取最外层轮廓，几何图形识别一般够用；CHAIN_APPROX_SIMPLE只存拐点，省内存。面积下限 10 过滤噪点，上限 80000 过滤整幅图边框这种超大轮廓。这里有个容易踩的坑：contours.remove之后列表长度变了，循环索引必须回退，否则会漏检。资源原文没写j--，实际跑的时候如果发现少识别了一个图形，大概率就是这里。

4.4 多边形拟合与凸点判形

最后一步是把轮廓拟合成多边形，数凸点个数，再结合相邻凸点距离判断具体形状。

import org.opencv.core.MatOfPoint2f; import org.opencv.core.Point; for (MatOfPoint contour : contours) { MatOfPoint2f contour2f = new MatOfPoint2f(contour.toArray()); MatOfPoint2f approx = new MatOfPoint2f(); // 拟合精度取周长的 2% double peri = Imgproc.arcLength(contour2f, true); Imgproc.approxPolyDP(contour2f, approx, 0.02 * peri, true); Point[] points = approx.toArray(); int vertexCount = points.length; // 按凸点个数初判 if (vertexCount == 3) { System.out.println("三角形"); } else if (vertexCount == 4) { // 四个点还要看边长区分正方形和矩形 double d1 = distance(points[0], points[1]); double d2 = distance(points[1], points[2]); if (Math.abs(d1 - d2) < 5) { System.out.println("正方形"); } else { System.out.println("矩形"); } } else if (vertexCount > 6) { System.out.println("圆形或多边形"); } } // 两点距离 private static double distance(Point a, Point b) { return Math.sqrt(Math.pow(a.x - b.x, 2) + Math.pow(a.y - b.y, 2)); }

逻辑说明：approxPolyDP的第三个参数是拟合精度，取周长的 2% 是经验值，精度越小拟合出的点越多，圆会被拟合成很多边形，精度越大点越少，矩形可能被拟合成三角形。四个点时用相邻边长差判断正方形还是矩形，差值阈值 5 像素是资源里的做法，实际按图的分辨率调。圆形因为拟合后凸点很多，通常超过 6 个，所以归到“圆形或多边形”一类，要更精确区分圆和多边形，可以再看凸点距离的均匀程度。资源里说识别准确率能到 99% 以上，前提是光照均匀、背景干净，复杂背景下这个数字会掉，后面避坑章节会细说。

5. 避坑与常见问题排查：那些让识别率掉下来的细节

5.1 现象：程序一启动就报 UnsatisfiedLinkError

原因：JVM 找不到 OpenCV 的本地动态库，或者位数不匹配。32 位 JVM 加载 64 位 dll、64 位 JVM 加载 32 位 dll 都会报这个错，报错信息里通常带Can't load IA 32-bit .dll on a AMD 64-bit platform之类的提示。

解决：先确认 JDK 位数，java -version输出里带 64-Bit 就是 64 位。然后选对应目录的 dll，用绝对路径System.load加载。如果路径里有中文或空格，换成纯英文路径再试。

5.2 现象：红色图形识别不出来，或者只识别出一半

原因：HSV 里红色 H 值横跨 0 和 180 两端，只写了一段范围，另一半像素被漏掉。另外红色在光照下容易偏橙或偏紫，H 值会漂。

解决：红色判断写成两段，(h >= 0 && h <= 10) || (h >= 156 && h <= 180)。如果还是漏，把两段范围各放宽 2 到 3 个值，同时把 S 下限调低一点，让偏暗的红色也能进来。

5.3 现象：背景里浅色区域被误判成目标颜色

原因：S 和 V 的下限设得太低，灰白背景的饱和度虽然低，但偶尔也会落进范围。或者阈值 200 太小，零星噪点被当成有效颜色。

解决：把 S 下限从 43 提到 60 以上，V 下限从 46 提到 80 以上，先把灰白区域挡掉。阈值根据图的大小调，小图 50 到 100，大图 500 以上，原则是比噪声像素数高一个量级。

5.4 现象：轮廓提取后图形边缘毛刺多，形状判断不准

原因：二值化阈值不合适，或者腐蚀膨胀的核太大，把轮廓啃变形了。高斯滤波核太大也会让边缘糊掉。

解决：二值化阈值用 Otsu 自动算，Imgproc.threshold(gray, binary, 0, 255, Imgproc.THRESH_BINARY + Imgproc.THRESH_OTSU)，比固定 127 稳。形态学核从 3x3 起调，别一上来就 7x7。高斯核 5x5 够用，噪点实在多再考虑加大。

5.5 现象：圆形被识别成多边形，或者正方形被识别成矩形

原因：approxPolyDP的精度参数不合适。精度太小，圆被拟合成十几边形；精度太大，正方形四个角被合并成三个点。正方形和矩形的边长差阈值 5 像素也不一定通用。

解决：精度从周长的 2% 开始试，圆多就调到 3% 到 4%，方形多就调到 1%。正方形判断的边长差阈值按图的分辨率缩放，320x240 的图用 5 像素，640x480 就用 10 像素。更稳的做法是算边长比例，比值接近 1 就是正方形，比固定像素差更抗缩放。

6. 二次开发改造：把识别逻辑抽成可复用模块

这份资源的代码是论文式写法，逻辑都堆在 main 里，直接拿来做项目得先拆。我一般会按“颜色分割”和“形状识别”两条线抽成两个类，颜色阈值做成配置，形状判断做成策略，这样换场景不用改核心代码。

// 颜色配置类，阈值外置，方便调 public class ColorRange { private String name; private Scalar min; private Scalar max; private int pixelThreshold; // 构造、getter、setter 省略 } // 识别服务，输入 Mat，输出识别结果列表 public class ShapeRecognizer { private List<ColorRange> colorRanges; public List<RecognitionResult> recognize(Mat src) { List<RecognitionResult> results = new ArrayList<>(); Mat resized = new Mat(); Imgproc.resize(src, resized, new Size(320, 240)); Mat hsv = new Mat(); Imgproc.cvtColor(resized, hsv, Imgproc.COLOR_BGR2HSV); for (ColorRange range : colorRanges) { Mat mask = new Mat(); Core.inRange(hsv, range.getMin(), range.getMax(), mask); // 像素数不够就跳过，省得后面白算 if (Core.countNonZero(mask) < range.getPixelThreshold()) continue; Mat part = new Mat(); Core.bitwise_and(resized, resized, part, mask); String shape = detectShape(part); if (shape != null) { results.add(new RecognitionResult(range.getName(), shape)); } } return results; } private String detectShape(Mat part) { // 这里放第 4 章的滤波、二值化、轮廓、拟合逻辑 // 返回 "三角形" / "圆形" / "正方形" 等 return null; } }

改造要点：颜色阈值从代码里挪到配置文件或数据库，加一种颜色不用重新编译。detectShape里把中间结果Mat及时release()，不然处理视频流时内存涨得很快。如果要做实时识别，把resize的目标尺寸再调小，320x240 在普通机器上跑单帧大概几十毫秒，够用；要更快就降到 160x120，代价是远处小图形识别不到。

验证改造是否成功，我习惯用一组固定测试图跑回归：红圆、绿三角、黄方、橙矩形各一张，再加一张纯背景图确认不误报。每次改阈值或精度参数，先跑这组图，结果对了再上真实场景。真实场景里光照变化大，建议加一步自动白平衡或者直方图均衡，能明显稳住识别率。

从那以后我每次调 OpenCV 阈值参数，都强制先跑一遍固定测试图再动真实数据，不然改一个数看着这边好了那边又崩，来回折腾的时间比写代码还长。希望帮到你。

本文还有配套的精品资源，点击获取