第二讲：图像基础与色彩空间——RGB、HSV、灰度图，以及 cv2.cvtColor 的实战用法

各位同学，欢迎来到第二讲。

上一讲我们聊了图像的本质——像素矩阵。今天咱们深入一步，聊聊色彩空间。说白了，就是计算机怎么“理解”颜色。

你可能会想：“颜色不就是红绿蓝吗？”嗯，对，也不全对。RGB 只是其中一种表达方式。在实际项目中，我经常遇到 RGB 搞不定的事情——比如做颜色识别，或者图像增强。这时候，HSV 和灰度图就派上用场了。

1. RGB 色彩空间——最熟悉的陌生人

RGB 是 Red、Green、Blue 的缩写。每个像素由三个通道组成，取值范围 0-255。显示器、摄像头、手机屏幕，底层都是 RGB。

但说实话，RGB 并不“直观”。

举个例子：你想把一张图片里的红色物体提取出来。在 RGB 空间里，红色是 (255,0,0)，但实际拍摄时，光照一变，红色可能变成 (200,50,30)。你很难用一个简单的阈值把它框出来。

我在项目中遇到过类似问题——做交通标志识别，红色圆牌在阴影下变成了暗红色，RGB 阈值怎么调都不准。后来换了 HSV，问题迎刃而解。

2. HSV 色彩空间——更接近人眼的直觉

HSV 代表 Hue（色调）、Saturation（饱和度）、Value（明度）。

你想想看，人眼描述颜色时，会说“这个红色偏橙，饱和度不高，有点暗”。这不就是 HSV 吗？

• H（色调）：0-180（OpenCV 里是 0-180，不是 0-360）。0 是红色，30 是橙色，60 是黄色，90 是绿色，120 是青色，150 是蓝色。
• S（饱和度）：0-255。数值越大，颜色越纯。
• V（明度）：0-255。数值越大，越亮。

我个人习惯在做颜色识别时，先用 HSV 空间。因为 H 通道对光照变化不敏感——你调亮或调暗，H 值基本不变。这就很香了。

3. 灰度图——丢掉颜色，保留结构

灰度图只有一个通道，值 0-255，0 是黑，255 是白。

为什么要用灰度图？

• 计算量小——一个通道 vs 三个通道，速度差三倍。
• 很多算法只关心亮度信息，比如边缘检测、特征匹配。
• 减少干扰——颜色信息有时是噪声。

我记得有一次做工业缺陷检测，产品表面有轻微划痕。用 RGB 图像做边缘检测，结果被颜色纹理干扰得一塌糊涂。转成灰度图后，划痕清晰可见。嗯，这就是灰度图的威力。

4. 实战：cv2.cvtColor 的使用

OpenCV 提供了 cv2.cvtColor() 函数，专门做色彩空间转换。用法很简单：

import cv2

# 读取图像（默认是 BGR 格式，不是 RGB！）
img = cv2.imread('example.jpg')

# BGR 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# BGR 转 HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# BGR 转 RGB（如果需要显示或保存）
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

这里有个坑，我必须提醒你：OpenCV 默认读取的图像是 BGR 格式，不是 RGB。很多新手直接拿 OpenCV 读图，然后用 matplotlib 显示，结果颜色全偏蓝——因为 matplotlib 期望的是 RGB。

我曾经在这个坑里摔过一次。调试了半天，最后发现是通道顺序的问题。从那以后，我每次用 OpenCV 读图，都会确认一下通道顺序。

5. 常用转换对照表

转换类型	OpenCV 标志	应用场景
BGR → 灰度	COLOR_BGR2GRAY	边缘检测、特征提取
BGR → HSV	COLOR_BGR2HSV	颜色识别、颜色分割
BGR → RGB	COLOR_BGR2RGB	与 matplotlib 等库交互
灰度 → BGR	COLOR_GRAY2BGR	需要三通道输入的算法
HSV → BGR	COLOR_HSV2BGR	处理完 HSV 后转回显示

6. 一个完整的例子：提取红色物体

咱们来写个小程序，把图像中的红色区域提取出来。这是 HSV 的经典应用。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('traffic_sign.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义红色的 HSV 范围（注意：红色在 H 通道两端）
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])

# 生成掩码
mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask = cv2.bitwise_or(mask1, mask2)

# 提取红色区域
result = cv2.bitwise_and(img, img, mask=mask)

cv2.imshow('Original', img)
cv2.imshow('Mask', mask)
cv2.imshow('Result', result)
cv2.waitKey(0)

为什么红色要定义两个范围？因为 HSV 的 H 通道是环形的，0 和 180 都是红色。所以红色分布在两端。我第一次写这个代码时，只定义了一个范围，结果红色只提取了一半。后来查资料才明白这个环形特性。

7. 总结一下

这一讲我们聊了三个核心概念：

• RGB：适合显示，不适合分析。
• HSV：适合颜色识别，对光照鲁棒。
• 灰度图：丢掉颜色，保留结构，计算快。

以及最重要的工具——cv2.cvtColor()。记住 BGR 是 OpenCV 的默认格式，别搞混了。

下一讲，我们会深入图像预处理的核心操作——滤波与去噪。到时候我会分享一个我踩过的坑，关于中值滤波和椒盐噪声的。敬请期待。