2、色彩空间转换：RGB、HSV、LAB色彩空间详解与转换实战

说到色彩空间，很多初学者会觉得这是数学公式堆砌的东西。其实没那么玄乎。我刚开始接触OpenCV时，也搞不懂为什么非要把RGB转来转去。直到有一次做工业检测项目，光线一变，整个颜色识别就崩了。嗯，从那以后我才真正重视起色彩空间的选择。

说白了，不同的色彩空间就像不同的语言。RGB是显示器说的语言，HSV是人眼感知颜色的方式，而LAB则是设备无关的标准化语言。今天我们就把这三种语言都搞明白。

2.1 RGB色彩空间：最熟悉的陌生人

RGB大家肯定不陌生。红绿蓝三通道，每个通道0-255。但你真的了解它的局限吗？

我在项目中遇到过一个问题：用RGB做肤色检测。结果发现，只要光照稍微变暗，肤色区域就全丢了。为什么？因为RGB三个通道高度耦合——亮度变了，三个值一起变，你根本分不清是颜色变了还是光照变了。

核心要点：RGB适合显示，不适合做颜色分析和处理。因为它的通道之间相关性太强。

来看一个简单的RGB通道分离代码：

import cv2
import numpy as np

img = cv2.imread('test.jpg')
# OpenCV默认是BGR顺序，不是RGB
b, g, r = cv2.split(img)

# 单独显示红色通道
cv2.imshow('Red Channel', r)
cv2.waitKey(0)

你想想看，如果直接对RGB做阈值分割，结果往往惨不忍睹。所以我们需要换个思路。

2.2 HSV色彩空间：颜色识别的利器

HSV把颜色拆成三个维度：色调(H)、饱和度(S)、明度(V)。这简直就是为颜色识别量身定做的。

通道 含义 取值范围(OpenCV)
H 色调，决定是什么颜色 0-179
S 饱和度，颜色纯度 0-255
V 明度，亮度信息 0-255

小技巧：OpenCV中H的范围是0-179，不是0-359。这是为了用uint8存储。很多新手在这里翻车，我刚开始也踩过这个坑。

为什么要用HSV做颜色识别？举个例子。你想识别红色物体。在RGB空间里，红色可能是(200,30,30)，也可能是(150,20,20)。你很难定一个统一的阈值。但在HSV空间里，红色的H值基本稳定在0-10和170-179之间。你只需要对H通道做范围筛选，再配合S和V排除干扰就行。

我曾经做一个交通标志识别项目，用HSV做红色分割，效果出奇的好。代码也很简单：

import cv2
import numpy as np

img = cv2.imread('traffic_sign.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 红色在HSV中的范围（注意红色在0和180附近）
lower_red1 = np.array([0, 50, 50])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 50, 50])
upper_red2 = np.array([180, 255, 255])

# 两个范围合并
mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask = cv2.bitwise_or(mask1, mask2)

result = cv2.bitwise_and(img, img, mask=mask)
cv2.imshow('Red Detection', result)
cv2.waitKey(0)

避坑指南：我曾经在调HSV阈值时，直接把H范围设成0-30，结果把橙色也识别进来了。记住，红色的H范围是0-10和170-179，中间那段是紫色和粉色。一定要分两段处理。

2.3 LAB色彩空间：人眼感知的黄金标准

LAB色彩空间可能用得少一些，但它的能力不容小觑。L代表亮度，A代表红绿色差，B代表黄蓝色差。它的最大特点是——感知均匀。

什么叫感知均匀？就是你在LAB空间里移动相同的距离，人眼感受到的颜色变化是相同的。RGB和HSV都做不到这一点。

我记得做图像去雾项目时，直接在RGB空间操作，结果颜色失真严重。后来换成LAB空间，只对L通道做处理，A和B通道保持不变。效果立竿见影。

import cv2
import numpy as np

img = cv2.imread('foggy.jpg')
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)

# 分离通道
l, a, b = cv2.split(lab)

# 对L通道做直方图均衡化
l_eq = cv2.equalizeHist(l)

# 合并回去
lab_eq = cv2.merge([l_eq, a, b])
result = cv2.cvtColor(lab_eq, cv2.COLOR_LAB2BGR)

cv2.imshow('After LAB Equalization', result)
cv2.waitKey(0)

核心要点：LAB空间最适合做亮度调整和颜色校正。因为它的L通道和颜色信息完全解耦，你改亮度不会影响颜色。

2.4 三种空间的转换实战

好了，理论知识讲完了。我们直接上实战。下面是一个完整的色彩空间转换工具，你可以随时切换查看效果：

import cv2
import numpy as np

def color_space_demo(image_path):
    img = cv2.imread(image_path)
    if img is None:
        print('图片加载失败')
        return
    
    # RGB转HSV
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    
    # RGB转LAB
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    
    # 显示结果
    cv2.imshow('Original BGR', img)
    cv2.imshow('HSV', hsv)
    cv2.imshow('LAB', lab)
    
    # 保存结果
    cv2.imwrite('output_hsv.jpg', hsv)
    cv2.imwrite('output_lab.jpg', lab)
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 调用
color_space_demo('sample.jpg')

你可能会问，什么时候用哪个空间？我总结了一个简单的选择指南：

  • 颜色识别/分割 → 用HSV。比如交通灯识别、水果分拣。
  • 亮度调整/去雾 → 用LAB。只动L通道，不动颜色。
  • 图像显示/存储 → 用RGB/BGR。这是硬件的原生格式。
  • 颜色校正/色彩分析 → 用LAB。感知均匀，结果更符合人眼。

个人经验：我建议你在做任何颜色相关的项目前，先花5分钟把图像转到HSV和LAB空间看看。用鼠标取几个点的值，感受一下不同空间的分布规律。这比死记硬背阈值要有效得多。

最后说一句，色彩空间转换不是万能的。它解决的是「颜色表达方式」的问题，而不是「颜色本身」的问题。真正要做好图像增强和修复，还得结合直方图、滤波、形态学操作这些技术。后面的章节我们会一一展开。

嗯，今天就到这里。下一章我们讲直方图均衡化，那是个让图像瞬间变清晰的神器。

← 上一章 📖 返回目录 下一章 →