📚 课程目录第4章图像基本操作与颜色空间

4. 图像基本操作与颜色空间

在农业机器视觉任务中，拿到一张田间图像后，我们很少直接把它送进模型。更常见的流程是：先对图像做几何变换，把感兴趣的区域摆正、放大或对齐；再把颜色从RGB转换到HSV，利用色调（Hue）把绿色作物从土壤、地膜、阴影中分离出来。本节围绕这两类操作展开，最终完成一个可运行的“绿色植被分割”小任务。

一、几何操作：裁剪、缩放、旋转、翻转

OpenCV 把图像读成 NumPy 数组，形状为 (高, 宽, 通道)，通道顺序是 BGR 而不是 RGB，这一点在后续颜色处理时必须牢记。几何操作本质上是对像素坐标做映射，理解坐标约定是避免出错的前提：图像左上角为原点 (0,0)，x 轴向右，y 轴向下，本节所有图示与代码均遵循这一约定。

裁剪是最简单的操作，用数组切片即可，语法为 img[y1:y2, x1:x2]，先写行（y）再写列（x）。例如从一张 1280×720 的田间图中取出中央 400×400 的区域：

import cv2
img = cv2.imread("field.jpg")          # 形状 (720, 1280, 3)，BGR
crop = img[160:560, 440:840]           # 高400、宽400
print(crop.shape)                      # (400, 400, 3)

缩放用 cv2.resize，关键是选对插值方式：缩小图像用 INTER_AREA，能避免摩尔纹；放大图像用 INTER_LINEAR 或 INTER_CUBIC。缩放会改变像素与实际尺寸的对应关系，若后续要测量叶面积或株距，必须同步记录缩放比例。

旋转用 cv2.getRotationMatrix2D(中心点, 角度, 缩放因子) 生成 2×3 变换矩阵，再用 cv2.warpAffine 应用。注意 OpenCV 中正角度表示逆时针旋转。旋转后图像四角可能被裁掉，需要重新计算输出尺寸或设置边界填充值。

翻转用 cv2.flip(src, flipCode)：flipCode=1 水平翻转（左右镜像），0 垂直翻转（上下镜像），-1 同时水平和垂直翻转。翻转常用于数据增强，但要注意它可能改变具有方向含义的目标，例如倾斜的植株倒伏方向。

二、从 RGB 到 HSV：为什么换颜色空间

RGB 三个通道都同时混合了亮度与色彩信息。同一片绿叶，在正午强光下 R、G、B 数值都高，在阴影里都低，用固定的 RGB 阈值几乎不可能同时覆盖。HSV 把颜色拆成三个更符合直觉的分量：H 色调表示颜色种类（0～179，对应 0°～360°），S 饱和度表示颜色纯度（0～255），V 明度表示亮度（0～255）。绿色在 H 通道上集中在一个较窄的区间，因此用 H 做阈值对光照变化更稳健。

转换只需一行：hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)。需要特别注意 OpenCV 的 H 范围是 0～179 而非 0～360，这是 8 位存储导致的折半，写阈值时不要照搬网上 0～360 的数值。

三、用 HSV 提取绿色作物区域

绿色在 OpenCV 的 H 通道中大致落在 35～85 之间。一个常用的起点是：H 取 35～85，S 取 43～255，V 取 46～255。S 下限用于排除灰白色的地膜和水泥路面，V 下限用于排除深阴影。这三个区间不是万能值，需要根据实际图像微调。

hsv = cv2.cvtColor(crop, cv2.COLOR_BGR2HSV)
lower = np.array([35, 43, 46])
upper = np.array([85, 255, 255])
mask = cv2.inRange(hsv, lower, upper)   # 绿色区域为255，其余为0

# 形态学去噪：先开后闭
k = np.ones((5, 5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, k)    # 去掉零散噪点
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, k)   # 填补叶片内部小孔

result = cv2.bitwise_and(crop, crop, mask=mask)
ratio = cv2.countNonZero(mask) / (mask.shape[0] * mask.shape[1])
print(f"绿色像素占比: {ratio:.2%}")

这段代码的输出有两个用途：一是 result 可视化，直观检查分割是否把叶片完整保留、是否把土壤误判为绿色；二是 ratio 这个数值指标，可用于判断出苗覆盖度是否达到某个阈值，例如示例中若得到 0.32，说明约三成画面被绿色覆盖。

四、参数调优与常见问题

实际调试时，建议先用 cv2.createTrackbar 做一个滑动条窗口，实时拖动 H、S、V 的上下限观察掩膜变化，比反复改代码高效得多。常见问题有三类：

叶片被漏掉：多为强反光导致 V 过高或 S 过低，可适当放宽 S 下限，或对高光区域单独处理。
土壤被误判为绿色：潮湿土壤或苔藓在 H 上接近绿色，可收紧 H 区间并提高 S 下限。
掩膜边缘毛糙：形态学核过大导致，改用 3×3 核，或先做一次中值滤波 cv2.medianBlur。

调试顺序建议：先固定 S、V 为宽区间，只调 H 把绿色框住；再收紧 S 排除灰白背景；最后调 V 处理阴影。每次只动一个参数，便于定位问题。

几何操作与颜色分割通常组合使用：先裁剪出垄间区域减少计算量，再缩放统一尺寸，最后在 HSV 空间做阈值分割。这样一条流水线在普通笔记本上处理 720p 图像通常只需几十毫秒，足以支撑田间实时预筛。掌握本节内容后，你就具备了从原始图像到“作物/背景”二值结果的基本能力，为后续的轮廓提取、连通域分析和目标检测打下基础。