3. 图像处理基础（二）：颜色空间转换、滤波与边缘检测
好，咱们接着聊。上一节我们把图像当成了一堆数字矩阵，这一节要动真格的了——让这些数字“说话”。
在自动驾驶里，摄像头拍到的原始画面，说白了就是一堆RGB值。但你想让车看懂车道线，直接拿RGB去算，效果往往很差。为什么？因为RGB受光照影响太大了。同一个白色车道线，晴天和阴天拍出来数值差好几倍。
所以，我们需要先做颜色空间转换，再做滤波去噪，最后用边缘检测把车道线的轮廓抓出来。这三步，是我做车道线项目时每天都要打交道的流程。
3.1 颜色空间转换：BGR转灰度、HSV
OpenCV默认读图是BGR顺序，不是我们熟悉的RGB。这个坑我刚开始踩过好几次，调试时发现颜色不对，查了半天才发现是通道顺序搞反了。
3.1.1 BGR转灰度图
灰度图就是去掉颜色信息，只保留亮度。每个像素用一个0-255的值表示，0是纯黑，255是纯白。
转换公式其实很简单：
Gray = 0.299 * R + 0.587 * G + 0.114 * B为什么绿色权重最高？因为人眼对绿色最敏感。OpenCV里一行代码搞定：
import cv2
img = cv2.imread('road.jpg') # BGR格式
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)我个人习惯，在做边缘检测前，一定会先转灰度。因为Canny算子只认单通道，你给它三通道它反而会懵。
3.1.2 BGR转HSV
HSV比RGB更符合人类对颜色的感知。H是色调，S是饱和度，V是明度。
举个例子：你要提取黄色车道线。在RGB空间里，黄色可能是(255,255,0)，但光照一变，数值就飘了。而在HSV空间里，黄色的H值稳定在30-60之间，你只要设定这个范围，就能稳定提取。
我在项目中遇到过这样的情况：白天和黄昏的黄色车道线，在RGB下差异很大，但转到HSV后，H通道几乎不变。这就是HSV的威力。
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 提取黄色区域
lower_yellow = np.array([20, 100, 100])
upper_yellow = np.array([30, 255, 255])
mask = cv2.inRange(hsv, lower_yellow, upper_yellow)3.2 图像滤波：高斯滤波与中值滤波
摄像头拍到的图像，多少都有噪声。椒盐噪声、高斯噪声……这些噪声如果不处理，边缘检测会检测出一堆假边缘，车道线反而看不清。
滤波，说白了就是“模糊”一下，把噪声抹平。
3.2.1 高斯滤波
高斯滤波用的是一个高斯核，中心权重最大，越往边缘权重越小。这样模糊出来的图像，既去除了噪声，又保留了边缘的轮廓。
为什么用高斯核？因为图像中的噪声往往服从高斯分布，用高斯核去卷积，正好“门当户对”。
blurred = cv2.GaussianBlur(gray, (5, 5), 1.5)这里(5,5)是核大小，必须是奇数。1.5是标准差σ。σ越大，图像越模糊。
我建议你从(5,5)开始试，σ设1.0-1.5。核太大，车道线边缘也会被模糊掉，得不偿失。
3.2.2 中值滤波
中值滤波对付椒盐噪声特别有效。它的原理很简单：把核内所有像素排序，取中间值替代中心像素。
举个例子，一个3x3区域里有几个白点（椒盐噪声），排序后中间值大概率是正常像素值，噪声就被干掉了。
median = cv2.medianBlur(gray, 5)中值滤波的核大小也必须是奇数。5x5是比较常用的。
我曾经在一个夜间项目中，图像里全是摄像头传感器产生的椒盐噪声。高斯滤波效果一般，换成中值滤波后，车道线瞬间清晰了。嗯，这里要注意：中值滤波计算量比高斯滤波大，实时性要求高的场景要权衡。
| 滤波方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 高斯滤波 | 高斯噪声、通用去噪 | 平滑效果好，保留边缘 | 对椒盐噪声效果一般 |
| 中值滤波 | 椒盐噪声、脉冲噪声 | 去噪彻底，边缘保持好 | 计算量大，实时性略差 |
3.3 边缘检测：Canny算子
终于到重头戏了。Canny边缘检测，可以说是计算机视觉里最经典的算法之一。它为什么经典？因为它把边缘检测这件事，做得非常“讲究”。
Canny算法分四步走：
- 高斯滤波去噪——先模糊，再找边
- 计算梯度幅值和方向——用Sobel算子算x和y方向的梯度
- 非极大值抑制——只保留梯度方向上的局部最大值，把“胖”边缘变“瘦”
- 双阈值检测——高阈值确定强边缘，低阈值连接弱边缘
第四步是关键。高阈值设高了，边缘会断；设低了，噪声会混进来。我一般设高阈值100-150，低阈值50-75。具体数值要看你的图像对比度。
edges = cv2.Canny(blurred, 50, 150)你想想看，为什么Canny要搞两个阈值？因为真实世界的边缘，有的很清晰（高梯度），有的很模糊（低梯度）。双阈值让算法既能抓住强边缘，又能通过连通性把弱边缘也捡回来。
最后，给你一个完整的处理流程示例：
import cv2
import numpy as np
def preprocess_lane_image(img):
# 1. 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 2. 高斯滤波去噪
blurred = cv2.GaussianBlur(gray, (5, 5), 1.2)
# 3. Canny边缘检测
edges = cv2.Canny(blurred, 50, 150)
return edges这个流程，我用了不下上百次。它简单、稳定、高效。当然，实际项目中你还需要做透视变换、车道线拟合等后续处理，但图像预处理这一步，打好基础比什么都重要。
下一节，我们会聊透视变换和ROI提取，把车道线从图像中“抠”出来。到时候你会发现，前面这些滤波和边缘检测的功夫，一点都没白费。