1.3 色彩模型与颜色空间

1.3 色彩模型与颜色空间

本节摘要：SOURCE 1.3：RGB 适合显示，HSV 把色调 H 与亮度 V 分离，便于用 inRange 做颜色分割。本节动手：RGB↔HSV、YCrCb 肤色检测入门。

你能学到什么

1. 说明加色 RGB 与 HSV 各通道含义
2. 用 cv2.cvtColor 完成 BGR2HSV
3. 用 H 通道阈值分割指定颜色物体

一、RGB 与 HSV

• RGB：红绿蓝加色，设备显示
• HSV：H∈[0,180)（OpenCV 缩放），S 饱和度，V 明度 — 光照变化主要动 V，H 相对稳定

import cv2
import numpy as np
img = cv2.imread('fruit.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 红色在 OpenCV H 两端：0-10 与 170-180
lower = np.array([0, 100, 100])
upper = np.array([10, 255, 255])
mask = cv2.inRange(hsv, lower, upper)
result = cv2.bitwise_and(img, img, mask=mask)
​

二、其他空间（SOURCE 1.3.2）

颜色空间选用

颜色空间选用

三、应用：简单跟踪

对红色标记物，固定 H 范围 + 形态学开运算去噪 → 质心跟踪。光照变化大时加 S 下限或自适应 V。

四、实验验收

1. 同图 RGB 与 HSV 各存一张，观察 H 通道
2. 调整 inRange 使误分割最少（目视）
3. 转 YCrCb，显示 Cr 通道对比肤色区域

⚠️ 常见坑：H 范围用 0–360 而非 OpenCV 的 0–180 — 阈值全错。

💡 关键直觉：分割前选颜色空间 — 比直接在 B 通道阈值稳。

核心回顾

• HSV 适合颜色分割；OpenCV H 半圈 0–180
• inRange + bitwise_and 是经典抠图套路
• YCrCb/Lab 用于特定工业场景
• 显示仍用 BGR

第 2 章在同一图像上做去噪与直方图增强。

颜色空间的本质：把颜色拆成不同维度

RGB 是加色模型，面向显示设备，三个通道强相关——改变亮度时 R、G、B 一起变，这给"按颜色找目标"带来麻烦。HSV 把颜色拆成色调 H（什么颜色）、饱和度 S（颜色浓淡）、明度 V（亮暗）三个相对独立的维度，光照变化主要影响 V，而 H 相对稳定，所以用 H 做颜色分割比直接在 RGB 上设阈值稳得多。OpenCV 里 H 的范围被压缩到 0-180 而不是 0-360（为了存进 uint8），这是初学者最常踩的坑——用 0-360 的直觉去设阈值，结果全错。

# HSV 分割的完整套路
import cv2, numpy as np
img = cv2.imread('fruit.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower = np.array([35, 40, 40])      # 绿色下界
upper = np.array([85, 255, 255])    # 绿色上界
mask = cv2.inRange(hsv, lower, upper)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((3,3), np.uint8))
result = cv2.bitwise_and(img, img, mask=mask)
​

YCrCb、Lab 与工业选型

YCrCb 把亮度 Y 和两个色差分量 Cr、Cb 分开，JPEG 压缩和肤色检测都用它——肤色在 Cr-Cb 平面上聚集在特定区域，用两个范围即可圈出。Lab 是感知均匀空间，两颜色的欧氏距离近似等于人眼感知的色差大小，适合做色差检测（纺织、印刷行业的色差仪）。实际选型的经验：颜色分割优先试 HSV；肤色检测用 YCrCb；要求色差可量化的场景用 Lab；只需要灰度边缘的，直接用灰度图即可，不必引入彩色空间。

应用：光照变化下的鲁棒分割

颜色分割在真实场景最大的敌人是光照。同一个红色物体，强光下 V 高、阴影下 V 低，S 也可能变化。对策有三种：H 范围放宽同时给 S 和 V 设下限（排除灰暗和过曝区域）；先做光照归一化（如灰度均衡）再分割；在 H-S 平面上聚类而不是设死矩形框。跟踪红色标记物这类应用里，通常还要把 mask 的质心作为目标位置，配合形态学开闭去噪，才能得到稳定的跟踪点。

理解色彩空间转换的本质是"对同一张图像做可逆的线性或非线性变换，不增加信息量，只改变信息的组织方式"。HSV、YCrCb、Lab 与 RGB 表达的是同一份像素数据，选择哪个空间取决于你要提取的特征在哪个空间里最容易分离。带着这个视角去选颜色空间，而不是背函数名，才是本节真正的收获。

最后留一个实操建议：分割参数（H/S/V 的上下界）不要凭空猜，用图像编辑软件或滑动条工具在样本图上交互式调出来，再固化到代码里。真实光照下的颜色边界往往不是规则矩形，先用滑动条摸清边界形状，再决定用矩形范围还是更灵活的分割策略。

补一个工程细节：cvtColor 的转换矩阵参数（如 COLOR_BGR2HSV、COLOR_BGR2YCrCb）必须与输入数据的通道顺序严格匹配。OpenCV 读出的图是 BGR，若你在代码里把图像重新排列成 RGB 再转 HSV，结果会完全不同。常见的做法是全程保持 BGR 直到显示那一刻才转 RGB，避免在代码各处混用两套通道顺序导致颜色错乱。对视频流做颜色分割时，把 cvtColor 放在每一帧的固定位置，并且只对感兴趣区域裁剪后再转换，能省下大量不必要的计算。

最后把本节的知识点收拢成一条记忆链：RGB 面向显示但通道相关，HSV 拆出稳定的色调 H 适合颜色分割，YCrCb 适合肤色与压缩，Lab 适合色差度量。选颜色空间的唯一标准是"你要提取的特征在哪个空间里最易分离"，而不是哪个空间更流行。把这句记牢，你就掌握了色彩空间章节的全部精华。