企业官网建设流程全解析

用 OpenCV 做目标提取，最省事、见效最快的一条路往往不是训练模型，而是基于色差的阈值分割。这个方法的朴素版本十几行代码就能跑通：读图、转颜色空间、卡阈值、做形态学、找轮廓。它解决的问题很具体——当目标物体在颜色上和背景有稳定区分度时，不需要样本、不需要标注、不需要显卡，一台普通笔记本就能实时处理视频流。适合谁看？做工业视觉初筛的、写自动化脚本的、玩树莓派小车巡线的、做简单质检 Demo 的朋友，以及刚学 OpenCV 想找个能立刻出结果的小项目练手的人。但我也得说实话，色差法是把双刃剑：参数调对了丝滑得让人上瘾，参数没调对就是一屏噪点，改到你怀疑人生。这篇就把我自己反复折腾出来的那套流程完整摊开——阈值怎么标、颜色空间怎么挑、形态学核开多大、轮廓怎么筛、光照一变怎么补救，全部给到可复现的代码和参数区间。

1. 先把"色差"这件事想明白：适用边界与选型逻辑

1.1 色差法到底在算什么

先把概念捋清楚。所谓基于色差的目标提取，本质是在某个颜色空间里给目标颜色划一个"允许范围"，落在范围内的像素判为前景，落在范围外的判为背景，最后得到一张二值掩膜（mask）。整个过程没有任何"理解"成分，它不认识杯子也不认识螺丝，只知道"这个像素的三元组数值在不在我给的区间里"。

这带来两个直接后果。好处是速度极快，一张 1080p 图在普通 CPU 上跑一遍inRange通常在个位数毫秒量级，比任何神经网络都轻。坏处是它对颜色的定义是绝对的、逐像素的、无空间上下文的，同一块红色在阴影里和在强光下数值能差出一大截，于是掩膜就碎了。

所以我在动手之前一定会先问自己一个问题：这个场景里，目标的颜色是不是"相对稳定"的？如果目标本身是均匀的、单一的、和背景有明显色相差异的，那色差法就是性价比最高的选择；如果目标是多色的、渐变的、和背景灰度接近的，那趁早换思路，别在这条路上耗时间。

注意：色差法从来不是"识别物体是什么"，它只回答"哪些像素长得像我要的颜色"。把它当成定位工具，而不是分类工具，你的期望值就不会跑偏。

1.2 三类适合上手的场景和三类别硬上的场景

我把实际遇到的情况大致归了两类，判断标准很简单，就看目标与背景的色相夹角够不够大。

适合上的场景通常是这样的：目标颜色饱和度高、表面哑光、光照条件基本可控。比如流水线上分拣固定颜色的塑料件，比如地面胶带的巡线识别，比如从浅色背景里抠出高饱和的物料块。这类场景里目标颜色的 H 通道非常集中，阈值区间可以收得很窄，掩膜几乎一次成型。

不适合的场景也很典型：目标颜色和背景色相接近只是明暗不同（比如深灰料框里的黑色工件），这类直接卡 HSV 会连带把背景一起选进来。另一种是强反光表面的金属件，高光区域 V 通道爆表、S 通道塌陷，H 值完全失真。还有一种是有彩色光源照射的场景，画面整体偏色，标定时好好的，换了班次光源一换就全废。

这两种情况的处理方式不一样：前者说明该用亮度差或边缘特征，后者说明该先把光源固化下来——加遮光罩、换直流光源、锁定相机曝光和白平衡，硬件解决比算法解决便宜得多。我踩过最深的一次坑就是在一个偏黄光的环境里死磕参数，调了三天不如给光源加个柔光罩管用。

1.3 颜色空间怎么挑：RGB、HSV、LAB 的实测对比

这是新手最容易含糊的地方。直接给结论：绝大多数情况用 HSV，需要抗光照变化用 LAB，RGB 基本只在做"色差距离"计算时才有意义。

原因在于三个通道的物理含义不一样。RGB 三个通道都同时受亮度和色度影响，你把红色物体的亮度砍一半，R、G、B 三个值会一起掉，你没法用一个固定的三维盒子同时框住亮红和暗红。HSV 把亮度和颜色拆开了：H 是色相，只在 0 到 179 之间循环（OpenCV 为了放进 uint8 做了折半），S 是饱和度，V 是明度。你想忽略明暗只认颜色，就把 H 和 S 卡死、V 放宽，这是 RGB 做不到的。

LAB 的用法和 HSV 不太一样。它更适合算"色差"——取目标区域的平均 a、b 值当参考点，然后算每个像素的 (a,b) 到参考点的欧氏距离，距离小于阈值就算前景。这种写法对亮度的鲁棒性明显更好，因为 L 通道被单独摘出去了。缺点是阈值不好用眼睛估，得靠试。

import cv2 import numpy as np def lab_color_diff_mask(img_bgr, ref_ab, thresh): lab = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2LAB).astype(np.int16) diff = lab[:, :, 1:3] - np.array(ref_ab, dtype=np.int16) dist = np.sqrt(np.sum(diff ** 2, axis=2)) mask = (dist < thresh).astype(np.uint8) * 255 return mask

这段代码里ref_ab是从目标区域采样得到的 a、b 均值，thresh一般从 12 开始试，20 左右是比较宽的容差。我实测下来，同色系不同光照下这个距离值会漂移 5 到 10，所以阈值别卡得比 8 还紧，否则一换环境就崩。

2. 阈值不是拍脑袋：从采样到区间的参数标定

2.1 HSV 三个通道各自管什么

调阈值之前必须清楚每个通道被拧动时画面会发生什么变化，否则就是瞎试。

H 通道控制"选哪个颜色"。0 附近是红，30 左右是黄绿，60 是绿，90 是青，120 是蓝，150 是品红，179 又回到红。这个通道的宽度决定了你容许多大范围的色相偏差，一般单色目标给正负 8 到 15 就够，给太宽会把邻近颜色拉进来。

S 通道控制"颜色有多浓"。这个通道特别关键，也是新手最容易留着 0 不管的地方——如果你把 S 的下限设成 0，那所有灰白色的像素（包括白墙、反光、白纸）都会因为 H 值随意而乱入。我基本上从不让 S 低于 60，多数情况从 80 到 100 起手。

V 通道控制"有多亮"。这个通道是抗光照的主力，通常设 40 到 70 的下限就够，上限 255 全开。刻意压低 V 上限能干掉高光斑，这是个很实用的小技巧。

提示：三个通道的调节顺序建议是 V → S → H。先把明显过暗的部分切掉，再把低饱和的灰度切掉，最后才精调色相宽度。反过来调会让你在噪点里迷失方向。

2.2 用鼠标点几下就拿到初始区间

手写[20, 90, 70]这种数组纯靠猜是低效的。我的做法是写一个十几行的取色小工具，鼠标点哪儿就打印哪儿的 HSV，点十几个点取最小最大值，直接得到初始区间。

import cv2 img = cv2.imread("sample.jpg") if img is None: raise FileNotFoundError("图片没读到，检查路径") hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) info = {"h": [], "s": [], "v": []} def on_mouse(event, x, y, flags, param): if event == cv2.EVENT_LBUTTONDOWN: h, s, v = hsv[y, x] info["h"].append(int(h)) info["s"].append(int(s)) info["v"].append(int(v)) print(f"点({x},{y}) -> H={h} S={s} V={v}") if len(info["h"]) >= 3: print("当前区间:", [min(info["h"]), min(info["s"]), min(info["v"])], [max(info["h"]), max(info["s"]), max(info["v"])]) cv2.namedWindow("pick", cv2.WINDOW_NORMAL) cv2.setMouseCallback("pick", on_mouse) cv2.imshow("pick", img) cv2.waitKey(0) cv2.destroyAllWindows()

采样的位置有讲究，不能只点最亮的那一块。我的习惯是在目标上点三类位置：正常照到的中间调、偏暗的阴影边、以及靠近高光的部分。三类点都采到，得到的区间才是能覆盖全貌的，而不是只覆盖理想区域的。采完之后，把 min 再往外放一点余量（H 放 5 到 10，S 和 V 放 10 到 20），这就是你的起始阈值。

2.3 区间收放的手感：宽一点还是窄一点

阈值宽窄的取舍本质上是在召回和准确之间找平衡。放宽了，目标区域覆盖得全，但背景容易漏进来；收窄了，掩膜干净，但目标可能被切掉一块、边缘残缺。

我的经验是先宽后窄。第一轮把区间放到能完整包住目标（哪怕背景进来一堆），确认目标确实百分百被选中了；第二轮开始逐步收紧，每次只动一个通道，观察掩膜变化，直到背景开始大量渗入的前一格停下。这个"前一格"就是最优点附近。

另外要专门处理红色的跨零问题。因为 H 在 0 和 179 两端都是红，单个inRange是框不住的，必须拆成两段再做或运算：

mask_a = cv2.inRange(hsv, np.array([0, 100, 60]), np.array([10, 255, 255])) mask_b = cv2.inRange(hsv, np.array([170, 100, 60]), np.array([179, 255, 255])) mask = cv2.bitwise_or(mask_a, mask_b)

橙红色同理，如果采样点里 H 的 min 接近 0、max 接近 179，那基本可以判定这个目标的色相是跨零的，必须拆两段。这一点很多教程会漏掉，新手照着抄红色提取代码，发现只能抓一半，八成就是这里出的问题。

3. 掩膜的后处理：把"脏"的结果洗干净

3.1 开运算、闭运算与核大小的选择

inRange出来的原始掩膜基本没法直接用的，一定有零散噪点和内部空洞。形态学操作就是干这个的，但顺序和核大小都要讲究。

开运算是先腐蚀后膨胀，作用是去掉小的孤岛噪点，代价是目标边缘会小幅收缩。闭运算是先膨胀后腐蚀，作用是填补目标内部的小孔洞和裂缝，代价是边缘会小幅外扩。我的固定套路是：先开一次去掉噪点，再闭一到两次补洞。

核大小这个参数最需要手感。核越大效果越强，但形状失真也越明显。经验值：1080p 图像上用 3x3 到 7x7，小目标用 3x3，大目标用 5x5 或 7x7，尽量不要超过 9x9，否则边角会被磨成圆弧。核的形状用椭圆（MORPH_ELLIPSE）比矩形更自然，矩形核处理斜边时容易出现方块状的锯齿。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)

这里iterations我一般开运算给 1，闭运算给 1 到 2。开运算给多了会把小目标整个吃掉，尤其是面积本来就小的目标，这个坑我踩过一次——本来是进去除噪的，结果连目标一起清了，排查了半天才发现是迭代次数开到了 3。

3.2 中值滤波与高斯滤波的取舍

二值掩膜上还能再叠一层滤波，但要注意区分用途。

中值滤波对椒盐型的小噪点极其有效，而且不像均值滤波那样把边缘糊掉，它在二值图上用是完全合理的，核一般给 3 或 5。高斯滤波我在二值掩膜上基本不用，因为它会把 0 和 255 的边缘变成一片灰阶，后续找轮廓时反而引入了半吊子边界。

真正适合上高斯滤波的位置是在原始图像上、转 HSV 之前。如果原始画面噪点多（比如夜间或高感光），先在 BGR 图上做一个 3x3 或 5x5 的GaussianBlur，能显著减少后续掩膜里的雪花点，而且不会影响颜色判断的大方向。

img = cv2.GaussianBlur(img, (5, 5), 0) hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) mask = cv2.inRange(hsv, lower, upper) mask = cv2.medianBlur(mask, 5)

顺序很关键：先模糊原图，再转空间，再卡阈值，最后中值去噪。把顺序搞反了，比如先卡阈值再高斯，那你就得面对一片灰蒙蒙的边缘无从下手。

3.3 轮廓筛选：面积、长宽比、实心度

掩膜干净了不代表结果就干净，还是会有一些面积不大但形状可疑的残留。这一步靠轮廓属性来做二次过滤，把不符合目标特征的候选剔除掉。

我常用的三个属性是面积、长宽比、实心度。面积用来过滤太小（噪点）和太大（背景误判）的块；长宽比用来排除形状明显不对的（比如找圆形件时，长宽比大于 3 的直接扔）；实心度是轮廓面积除以外接凸包面积，用来判断这个块是不是"实心的一块"，对于区分粘连目标和独立目标很有用。

这三项里最值得说的是面积阈值，不要写死成 500 像素这种绝对值。图像分辨率一变，这个值就失效了。正确做法是写相对值，用总面积的比例来表示：

h, w = mask.shape[:2] area_total = h * w min_area = area_total * 0.0005 max_area = area_total * 0.5

这样 720p 和 4K 下同一套参数都能用，移植到别的相机上也不用重调。这个习惯我是吃过教训才养成的，早前写死像素值的脚本换个相机全崩，从头调了一遍。

4. 完整实操：一套可直接复现的提取流程

4.1 环境准备与目录结构

依赖就三样：Python 3.8 以上、opencv-python、numpy。装的时候有个小细节，opencv-python是带 GUI 的精简版，opencv-contrib-python带扩展模块，做基本色差提取用前者就够了，后者体积大一倍但用不上。

pip install opencv-python numpy

目录我习惯这样分，方便批量跑：

project/ ├── data/ # 输入图片 ├── out/ # 输出结果 ├── pick_color.py # 取色标定脚本 └── extract.py # 主处理脚本

调参阶段我强烈建议先拿几张有代表性的静态图跑通，确认参数稳了再去接视频流。直接上摄像头调参是折磨，因为画面一直在动，你根本分不清是参数问题还是运动模糊问题。

4.2 标定脚本：交互式取色

上一节给了单点取色的版本，这里补一个更顺手的：带实时预览掩膜的标定脚本，改阈值的同时就能看到效果，不用反复跑主程序。

import cv2 import numpy as np img = cv2.imread("data/sample.jpg") assert img is not None, "图没读到" hsv = cv2.cvtColor(cv2.GaussianBlur(img, (5, 5), 0), cv2.COLOR_BGR2HSV) def nothing(x): pass cv2.namedWindow("tune", cv2.WINDOW_NORMAL) for name, val, mx in [("Hmin", 20, 179), ("Hmax", 40, 179), ("Smin", 90, 255), ("Smax", 255, 255), ("Vmin", 60, 255), ("Vmax", 255, 255)]: cv2.createTrackbar(name, "tune", val, mx, nothing) while True: lo = np.array([cv2.getTrackbarPos("Hmin", "tune"), cv2.getTrackbarPos("Smin", "tune"), cv2.getTrackbarPos("Vmin", "tune")]) hi = np.array([cv2.getTrackbarPos("Hmax", "tune"), cv2.getTrackbarPos("Smax", "tune"), cv2.getTrackbarPos("Vmax", "tune")]) mask = cv2.inRange(hsv, lo, hi) preview = cv2.bitwise_and(img, img, mask=mask) cv2.imshow("tune", np.hstack([img, preview])) if cv2.waitKey(1) & 0xFF == 27: print("最终阈值 lower =", lo.tolist()) print("最终阈值 upper =", hi.tolist()) break cv2.destroyAllWindows()

这种滑块调试的效率比改代码重跑高一个数量级，我个人是把这套脚本当成常备工具，每换一个新场景就先跑一遍它。滑块拖到满意后按 ESC，终端会打印最终的 lower/upper 数组，直接复制进主脚本。

4.3 主流程脚本

下面是完整可跑的主流程，包含了前面讲的所有环节，注释写得很密，方便对着改。

import cv2 import numpy as np # ---------- 1. 参数区 ---------- LOWER = np.array([20, 90, 60]) UPPER = np.array([40, 255, 255]) MIN_AREA_RATIO = 0.0005 # 最小面积占比 MAX_AREA_RATIO = 0.50 # 最大面积占比 MIN_ASPECT = 0.2 # 长宽比下限 MAX_ASPECT = 5.0 # 长宽比上限 # ---------- 2. 预处理 ---------- img = cv2.imread("data/scene.jpg") assert img is not None, "检查图片路径" blur = cv2.GaussianBlur(img, (5, 5), 0) hsv = cv2.cvtColor(blur, cv2.COLOR_BGR2HSV) # ---------- 3. 阈值分割 ---------- mask = cv2.inRange(hsv, LOWER, UPPER) # ---------- 4. 形态学 ---------- kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1) mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2) mask = cv2.medianBlur(mask, 5) # ---------- 5. 轮廓筛选 ---------- h, w = mask.shape[:2] area_total = h * w contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) out = img.copy() count = 0 for c in contours: area = cv2.contourArea(c) if area < area_total * MIN_AREA_RATIO: continue if area > area_total * MAX_AREA_RATIO: continue x, y, bw, bh = cv2.boundingRect(c) if bh == 0 or bw == 0: continue aspect = bw / float(bh) if aspect < MIN_ASPECT or aspect > MAX_ASPECT: continue # 实心度过滤 hull = cv2.convexHull(c) hull_area = cv2.contourArea(hull) solidity = area / hull_area if hull_area > 0 else 0 if solidity < 0.5: continue count += 1 cx, cy = x + bw // 2, y + bh // 2 cv2.rectangle(out, (x, y), (x + bw, y + bh), (0, 255, 0), 2) cv2.circle(out, (cx, cy), 5, (0, 0, 255), -1) print(f"检出目标数量: {count}") cv2.imwrite("out/result.jpg", out) cv2.imwrite("out/mask.png", mask)

这段代码在 1080p 图上跑一轮，纯 CPU 大概 20 到 30 毫秒。真要上视频流，把预处理阶段的GaussianBlur换成对彩色图做一次resize降采样再处理，速度能再提一截，代价是定位精度略降。

4.4 参数速查表与调参顺序

调参这件事，我把它固化成一张表和一套顺序，避免每次都从零摸索。

调参顺序严格按表格从上往下，一次只动一个参数。同时动两个参数，出了问题你都不知道是哪个导致的。这个原则听起来笨，但能省掉大量返工。

5. 踩坑记录与排查手册

5.1 光照一变全废：白平衡与曝光锁定

色差法最普遍的死因就是光照漂移。早上调好的阈值，下午太阳斜射进来，掩膜直接崩。这不是算法的问题，是阈值本来就是针对某一组光照条件标定的。

软件层面的补救是先把相机的曝光和白平衡锁死。用cv2.VideoCapture打开摄像头后，尽量关掉自动曝光和自动白平衡：

cap = cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 0.25) # 部分后端支持 cap.set(cv2.CAP_PROP_EXPOSURE, -6)

不过这些属性在不同平台上支持度参差不齐，能不能设上得实际试。设不上的话就走硬件路线：固定光源、加遮光罩、避免环境光直射。我在一个半开放环境下做小件分拣的时候，最终是靠一个简单的纸板遮光罩解决问题的，成本几乎为零，效果比调三天参数好得多。

如果真的没法控制光照，那就得考虑自适应方案：每隔若干帧重新估计一次参考色，或者把 V 通道的下限做成随时间缓慢自适应的变量。这类方案能做，但复杂度上来了，值不值得要看你的项目预算。

5.2 相近颜色串味：多区间叠加与二次判别

另一个高频问题是背景里有个颜色相近的东西，阈值无论怎么收都会带进来一块。这时候别死磕单一阈值了，换思路。

第一招是多区间叠加。用bitwise_or把几个互不重叠的 H 区间合起来，覆盖目标在不同光照下的色相偏移，同时刻意避开背景那个色相。

m1 = cv2.inRange(hsv, np.array([15, 90, 60]), np.array([25, 255, 255])) m2 = cv2.inRange(hsv, np.array([30, 90, 60]), np.array([38, 255, 255])) mask = cv2.bitwise_or(m1, m2)

第二招是加位置约束。既然掩膜已经出来了，可以用 ROI 做一次空间过滤，只保留画面中特定区域内的候选。这一招在固定工位场景里特别有效，因为目标出现的位置本来就相对固定。

第三招是在掩膜之后再做一次二次判别，比如取候选区域的均值和目标参考色的距离，超过就丢弃。这已经超出纯色差的范围了，但代价很小，值得加。

5.3 边缘毛刺与孔洞

边缘毛刺的来源一般有两个：一是原图噪声，二是阈值卡在色相过渡带上。前者靠模糊和中值滤波解决，后者只能靠收窄阈值或者扩大形态学核。

孔洞则常见于目标表面有反光或者有贴纸、划痕的情况。这类孔洞用闭运算补最直接，但核大了会失真，我一般用分步法：先用小核闭两次，如果还有大洞，再用floodFill从外部填充。

ff = mask.copy() h_, w_ = ff.shape m2 = np.zeros((h_ + 2, w_ + 2), np.uint8) cv2.floodFill(ff, m2, (0, 0), 255) mask_filled = mask | cv2.bitwise_not(ff)

floodFill从左上角灌水，把外部背景变成 255，取反之后就得到"被轮廓围住的内部区域"，再和原掩膜或一下，孔洞就补上了。注意起点必须落在真正的背景上，如果左上角本身就是目标，这招会失效。

5.4 常见问题速查表

下面这张表是我自己积累的，遇到问题先扫一眼，能省不少时间。

6. 从掩膜到可用结果：目标框、计数与批处理

6.1 外接矩形与中心点输出

拿到筛选后的轮廓，下一步通常是输出结构化结果，而不是只存一张图。最常用的是外接矩形加中心点，这套数据格式能直接喂给下游的控制逻辑或者记录系统。

results = [] for c in contours: x, y, bw, bh = cv2.boundingRect(c) results.append({ "cx": x + bw / 2.0, "cy": y + bh / 2.0, "w": bw, "h": bh, "area": cv2.contourArea(c) }) results.sort(key=lambda r: r["cx"])

最后那句按 x 排序是个小细节但很有用。同一个视频流里目标可能无序出现，排序之后输出顺序就稳定了，下游做位置比对时不用再处理乱序问题。如果目标排布是多行的，就按(y//50, x)这样的复合键排，先把行分出来再按列排。

另外一个建议是把像素坐标换算成物理坐标一并输出。换算不需要标定板，只要在画面里放一把尺子量一段已知长度，算出每像素对应的毫米数即可。这个比例系数记录在配置里，后续所有输出都可以直接用物理单位。

6.2 批量处理与日志

单张图调通之后，通常会面临几百上千张图要跑的情况。这时候别写循环读文件就完事，一定要带日志，否则出了问题你根本不知道是哪张图出的。

import glob import os import csv rows = [] for path in sorted(glob.glob("data/*.jpg")): img = cv2.imread(path) if img is None: rows.append({"file": os.path.basename(path), "count": -1, "note": "read_fail"}) continue # ... 处理逻辑 ... rows.append({"file": os.path.basename(path), "count": count, "note": "ok"}) with open("out/report.csv", "w", newline="", encoding="utf-8") as f: writer = csv.DictWriter(f, fieldnames=["file", "count", "note"]) writer.writeheader() writer.writerows(rows)

日志里我至少会记三样：文件名、检出数量、异常标记。有了这三样，跑完一批之后先扫一眼数量分布，哪张图数量明显偏离中位数，就单独拎出来看，效率比一张张肉眼看高得多。这个习惯是从一次跑两千张图、结果发现有三十张是空图开始的——如果当时有日志，五分钟就能定位，实际上花了一下午。

6.3 什么时候该换方法

最后说说边界。色差法不是万能的，遇到下面几种情况我会果断换路子。

一是目标多色且颜色分布不固定，比如一筐混杂零件。这种情况色差法只能一个个颜色试，维护成本高得离谱，不如换成模板匹配或者轻量的目标检测。

二是背景极其杂乱、和目标有大量同色区域。这时候不管怎么调阈值都是拆东墙补西墙，我会转向边缘特征或者轮廓形状特征，用几何信息而不是颜色信息来定位。

三是对精度要求很高的测量类任务。色差法得到的边界本质上是被阈值切出来的，误差在几个像素是常态，做定位可以，做尺寸测量就勉强了。

我个人在实际项目里的判断标准是：如果同一套参数在连续采集的五十帧里，掩膜面积波动能控制在正负百分之十以内，那我就认为这个场景是稳的，可以继续往下做；如果波动超过百分之三十，说明光照或者目标本身的颜色就不稳定，这时候再怎么调参数都是治标，该考虑换方案或者改硬件了。这个经验阈值不一定适用于所有人，但作为一个快速判断的尺子，它帮我省掉了很多在错误方向上死磕的时间。