昨天，我已經讓 Python 訂閱 /camera/image_raw，並透過 cv_bridge 把 ROS 2 的影像訊息轉成 OpenCV 可以處理的畫面。現在程式收得到影像了，下一步就是讓它從畫面中找出要追蹤的東西。

我的第一個目標，是 Gazebo 場景中的紅色方塊。今天先不急著讓 TurtleBot3 追上去，而是先回答一個問題：程式能不能從相機畫面裡，找出紅色目標的位置？

為什麼先從顏色開始？

專題後續希望加入 YOLO，辨識比紅色方塊更複雜的目標。不過，如果一開始就同時處理模型辨識、影像傳遞和機器人控制，出了問題會很難知道是哪一段造成的。

所以我先從顏色辨識開始，主要是因為想先使用較簡單的 OpenCV 方法，建立完整的影像辨識與機器人控制流程。透過 HSV 顏色篩選，可以先確認相機影像是否正常取得、目標位置是否能正確計算，以及 TurtleBot 是否能根據辨識結果做出對應的轉向。

好處是，當程式出現問題時，比較容易判斷是影像處理、目標定位，還是機器人控制出了錯，也能降低一開始除錯的難度。等到基本流程穩定之後，再加入 YOLO 進行物件辨識，就不需要同時處理太多新的問題。前面建立好的流程，也能讓我之後加入 YOLO 時，不需要重新從頭建立整套影像與控制流程。

HSV是什麼？

在 Day 5 中，我用 cv_bridge 將相機影像轉成 OpenCV 常用的 BGR 格式。BGR 用藍、綠、紅三個數值描述像素，但如果要直接設定「哪些像素算紅色」，還得同時考慮各通道的組合。

因此，我會先把 BGR 影像轉成 HSV，再指定紅色可能落在哪些 H、S、V 範圍。HSV 並不是直接告訴電腦「這是一個方塊」；它做的是挑出符合紅色條件的像素。要找出畫面中的目標，還得接著分析這些像素聚集在哪裡。

色相範圍

色相可以想成一個環，紅色剛好落在環的起點與終點交界。也就是說，紅色會同時出現在 H 值較低與較高的位置。OpenCV 處理 8 位元 HSV 影像時，H 的範圍是 0～179，所以紅色通常要分成兩段來抓：

低 Hue 紅色：
0 ~ 10

高 Hue 紅色：
170 ~ 179

這裡的數字是方便理解的示例範圍，實際還要配合 S、V 的門檻，並依相機畫面、場景光線和方塊顏色調整。如果只設定其中一段，可能會漏掉一部分看起來同樣是紅色的像素。

我會分別產生兩張遮罩（Mask），再把它們合併。遮罩可以想成一張黑白的篩選圖：符合條件的地方顯示為白色，其餘顯示為黑色。這樣程式就能先把注意力放在紅色區域。

從紅色區域找到候選目標

有了遮罩，還不能直接說「找到方塊」：畫面中可能有零散的紅色像素，甚至出現其他紅色物體。接下來要在遮罩中尋找輪廓，也就是一塊塊連在一起的區域邊界。

對目前這個只有紅色方塊的練習場景，我可以先從輪廓中挑出面積夠大的區域，再取得它在畫面中的位置。如果有許多紅色區域，還需要額外的規則決定哪一個才是目標。這個方法依賴場景設定，只能說找到了紅色區域，不能單靠顏色證明它一定是方塊。

整體流程整理如下：

/camera/image_raw
        ↓
Python Subscriber
        ↓
    cv_bridge
        ↓
OpenCV BGR Image
        ↓
    轉換成 HSV
        ↓
    設定紅色範圍
        ↓
    產生 Mask
        ↓
    尋找輪廓
        ↓
  找到紅色候選區域

這一步完成後，程式拿到的就不只是「畫面中有沒有紅色」，還能進一步知道紅色區域大約出現在畫面的哪裡。下一步，才有辦法比較目標位置與畫面中心，判斷 TurtleBot3 應該往哪個方向轉。

NEXT

下一篇會接著處理目標的位置：紅色目標出現在畫面的左邊、右邊還是中央？程式又要怎麼計算它與畫面中心之間的偏差？