3、色彩空间与通道操作：BGR与RGB转换、灰度图、HSV色彩空间、通道拆分与合并

说到色彩空间，我刚开始接触OpenCV时就被坑过一次。那时候我以为OpenCV读进来的图片就是RGB，结果用matplotlib一显示，颜色全乱了。后来才明白——OpenCV默认用的是BGR，不是我们熟悉的RGB。这个坑，几乎每个初学者都会踩一次。

3.1 BGR与RGB：OpenCV的“反直觉”设计

你想想看，我们平时在屏幕上看到的颜色，红绿蓝（RGB）是标准。但OpenCV偏偏反着来，用蓝绿红（BGR）。为什么？

其实这跟历史有关。早期的一些图像采集设备和显示硬件，底层存储顺序就是BGR。OpenCV为了兼容这些硬件，就沿用了这个习惯。说白了，就是个历史遗留问题。

那怎么转换？很简单：

import cv2
import matplotlib.pyplot as plt

# 读取图片，默认是BGR
img_bgr = cv2.imread('example.jpg')

# 方法一：用cv2.cvtColor转换
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

# 方法二：手动翻转通道（不推荐，容易出错）
# img_rgb = img_bgr[:, :, ::-1]

# 显示对比
plt.subplot(1, 2, 1)
plt.imshow(img_bgr)  # 颜色会偏蓝
plt.title('BGR (直接显示)')

plt.subplot(1, 2, 2)
plt.imshow(img_rgb)  # 颜色正常
plt.title('RGB (转换后)')
plt.show()
我的习惯：每次用OpenCV读图后，如果后续要用matplotlib显示，我第一件事就是转成RGB。不然调试时看着蓝汪汪的图，心态容易崩。

3.2 灰度图：丢掉颜色，保留结构

灰度图就是把彩色图像变成黑白。每个像素只有一个值，范围0（黑）到255（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
  • 很多算法只认灰度：比如边缘检测、直方图均衡化，都是基于灰度设计的
  • 去除颜色干扰：有些场景下颜色反而是噪声，比如文字识别
# 转灰度图
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

# 或者直接读成灰度
# img_gray = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

print(f'原图尺寸: {img_bgr.shape}')   # (H, W, 3)
print(f'灰度图尺寸: {img_gray.shape}') # (H, W)
注意：灰度图是二维数组，不是三维。很多人刚学时以为灰度图是(H, W, 1)，其实不是。shape是(H, W)，少了一个维度。

3.3 HSV色彩空间：更符合人眼直觉

RGB虽然直观，但有个问题——它把颜色和亮度混在一起了。你想调亮一点，结果颜色也跟着变了。

HSV就解决了这个问题。它把颜色拆成三个分量：

  • H（Hue，色调）：0-180，代表颜色种类，比如红色、绿色
  • S（Saturation，饱和度）：0-255，颜色鲜艳程度
  • V（Value，明度）：0-255，亮度

我在做颜色识别项目时，HSV简直是神器。比如识别红色交通灯，用RGB你得考虑R通道高、G和B通道低，但光照一变就失效。用HSV，直接锁定H在0-10和170-180之间，S和V设个阈值，稳得很。

# BGR转HSV
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

# 提取红色区域（红色在HSV中分布在0-10和170-180）
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])

mask1 = cv2.inRange(img_hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(img_hsv, lower_red2, upper_red2)
mask = cv2.bitwise_or(mask1, mask2)

# 提取红色区域
result = cv2.bitwise_and(img_bgr, img_bgr, mask=mask)
我曾经踩过的坑：OpenCV中H的范围是0-180，不是0-360。如果你用其他库的HSV范围（比如0-360），直接套进来会出问题。记得除以2。

3.4 通道拆分与合并：玩转颜色分量

有时候我们需要单独处理某个颜色通道。比如想增强蓝色，或者把红色通道置零。这时候就要用到通道拆分。

# 方法一：用cv2.split（推荐）
b, g, r = cv2.split(img_bgr)

# 方法二：用numpy索引（速度更快）
# b = img_bgr[:, :, 0]
# g = img_bgr[:, :, 1]
# r = img_bgr[:, :, 2]

# 修改通道：把红色通道置零
img_no_red = img_bgr.copy()
img_no_red[:, :, 2] = 0  # 红色通道归零

# 合并通道
img_merged = cv2.merge([b, g, r])

你可能会问：用split还是用numpy索引？

我个人习惯：小项目用split，代码更清晰；大项目用numpy索引，速度快。cv2.split会创建三个新的数组，内存开销大。numpy索引只是视图，不复制数据。

3.5 实战：颜色提取与替换

来，我们做个综合练习。把图片中的蓝色物体变成红色。

import cv2
import numpy as np

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

# 定义蓝色范围（HSV）
lower_blue = np.array([100, 50, 50])
upper_blue = np.array([130, 255, 255])

# 创建掩码
mask = cv2.inRange(hsv, lower_blue, upper_blue)

# 把蓝色区域变成红色
img_result = img.copy()
img_result[mask > 0] = [0, 0, 255]  # BGR格式，红色是(0,0,255)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Result', img_result)
cv2.waitKey(0)
cv2.destroyAllWindows()
小技巧：如果你不确定颜色的HSV范围，可以用cv2.cvtColor把单个像素转成HSV看看。比如蓝色(255,0,0)在BGR中，转成HSV后H值大约在120左右。

3.6 本章总结

色彩空间和通道操作，是图像处理的基础中的基础。记住几个要点：

  1. OpenCV默认BGR，显示前记得转RGB
  2. 灰度图是二维数组，不是三维
  3. HSV适合做颜色识别，H范围0-180
  4. 通道拆分用numpy索引更快，用split更清晰

嗯，这些概念看起来简单，但实际项目中处处都用得到。下一章我们会讲图像滤波，到时候这些色彩空间的知识还会用到。先消化好今天的内容，动手敲一遍代码，比看十遍都管用。

← 上一章 📖 返回目录 下一章 →