2. 图像基础：像素、颜色空间（RGB、灰度、HSV）、图像坐标系与车道线特征

在无人车车道线识别系统中，图像是感知层最原始的数据载体。摄像头将三维世界投影为二维像素矩阵，而车道线识别算法的本质，就是从这些离散的像素值中提取出具有特定几何与颜色规律的线条结构。理解像素、颜色空间、图像坐标系以及车道线在图像中的固有特征，是后续进行ROI裁剪、边缘检测、霍夫变换和偏差计算的前提。本节将系统梳理这些基础概念，并建立从“物理世界”到“像素矩阵”再到“可计算特征”的完整认知链路。

2.1 像素与图像分辨率

像素（Pixel）是构成数字图像的最小基本单元，每个像素对应图像传感器上感光元件的一个采样点。在灰度图像中，一个像素用一个数值表示亮度，取值范围通常为0（纯黑）到255（纯白），共256个灰度级。在彩色图像中，一个像素通常由三个通道值组成，最常见的是RGB三通道。图像分辨率则指图像中像素的总数量，例如1280×720表示图像宽度方向有1280个像素、高度方向有720个像素，总像素数约为92万。分辨率越高，图像细节越丰富，但计算量也越大。在无人车场景中，分辨率的选择需要在细节保留与实时性之间取得平衡——过高的分辨率会导致处理延迟，过低则可能丢失车道线的边缘细节。

2.2 颜色空间：RGB、灰度与HSV

颜色空间是描述颜色的数学模型，不同颜色空间从不同角度刻画颜色属性，适用于不同的图像处理任务。在车道线识别中，最常用的三种颜色空间各有其不可替代的作用。

2.2.1 RGB颜色空间

RGB（Red, Green, Blue）是最基础的加色模型，通过红、绿、蓝三原色的不同强度组合来产生各种颜色。在OpenCV中，图像的默认存储顺序是BGR而非RGB，这一点在编程时极易出错。RGB空间适合显示和存储，但不适合做颜色分割，因为三个通道高度相关，且对光照变化敏感。例如，白色车道线在RGB中三个通道值都较高，但阴影下的白色车道线三个通道值会同时下降，导致难以用固定阈值分割。

2.2.2 灰度图像

灰度图像是单通道图像，每个像素仅包含亮度信息。从RGB转换到灰度通常采用加权平均法：Gray = 0.299R + 0.587G + 0.114B。灰度化能大幅减少计算量，并突出亮度梯度变化，是边缘检测（如Canny算子）的常用输入。然而，灰度图像丢失了颜色信息，无法区分白色车道线和黄色车道线，也无法应对“黄色车道线在灰度图中与灰色路面亮度接近”的场景。

2.2.3 HSV颜色空间

HSV（Hue, Saturation, Value）将颜色分解为色相（H）、饱和度（S）和明度（V）三个独立维度。色相表示颜色的种类（0°为红色，60°为黄色，120°为绿色等），饱和度表示颜色的纯度，明度表示亮度。HSV空间的最大优势是色相通道对光照变化相对不敏感，因此非常适合做颜色分割。例如，黄色车道线的H值大约在20°-35°之间，白色车道线的S值很低（接近0），通过设定H和S的阈值范围，可以稳定地提取特定颜色的车道线区域。

2.3 图像坐标系与像素寻址

图像坐标系是描述像素位置的数学框架。在OpenCV中，图像坐标系的原点位于左上角，u轴向右为正方向（对应列/宽度），v轴向下为正方向（对应行/高度）。因此，图像中第i行第j列的像素，其坐标表示为(u=j, v=i)。这种坐标系与数学中常见的笛卡尔坐标系（y轴向上）不同，初学者容易混淆。在车道线识别中，我们通常关注图像下半部分的像素行，因为车道线在近处位于图像底部，远处则向消失点收敛。理解坐标系有助于正确设置ROI区域和计算偏差值。

// 像素访问示例（C++ / OpenCV）
cv::Mat frame = cv::imread("road.jpg");
int height = frame.rows;   // 行数 = v轴最大值
int width = frame.cols;    // 列数 = u轴最大值

// 访问第300行、第500列的像素（BGR顺序）
cv::Vec3b pixel = frame.at<cv::Vec3b>(300, 500);
uchar blue = pixel[0];
uchar green = pixel[1];
uchar red = pixel[2];

2.4 车道线在图像中的核心特征

车道线在图像中呈现出一系列可被算法利用的稳定特征，这些特征构成了检测与识别的依据。从颜色角度看，白色车道线在RGB和灰度空间中表现为高亮度区域，黄色车道线在HSV空间中具有特定的色相范围。从几何角度看，车道线在图像中呈现为近似直线的边缘结构，且由于透视投影效应，近处的车道线在图像底部较宽，远处的车道线向消失点收敛变窄。从位置角度看，车道线通常出现在图像的下半部分，且左右车道线分别位于图像中心线的两侧。这些特征共同决定了预处理策略：先通过颜色空间转换和阈值分割提取候选区域，再通过边缘检测和霍夫变换拟合直线。

2.5 案例拆解：光照变化下的车道线颜色特征分析

某无人车项目在测试中发现，正午时分黄色车道线在灰度图像中与浅色混凝土路面的灰度值非常接近（均约为160-180），导致基于灰度的边缘检测无法有效提取车道线边界。团队通过分析HSV空间数据发现，黄色车道线的H值稳定在25°-35°之间，S值在120-200之间，而路面的H值虽然也在类似范围，但S值通常低于50。通过引入HSV颜色分割，先提取黄色区域掩码，再在掩码区域内进行边缘检测，成功解决了该场景下的车道线识别问题。这一案例说明，单一颜色空间往往不足以应对复杂光照条件，多颜色空间融合是提升鲁棒性的有效手段。

2.6 常见误区与总结复盘

• 误区一：直接使用RGB阈值分割车道线。由于RGB通道间相关性高，固定阈值在光照变化时极易失效。正确做法是转换到HSV空间，利用H和S通道进行分割。
• 误区二：忽略OpenCV的BGR通道顺序。在读取图像后直接按RGB顺序访问通道，会导致颜色判断错误。建议使用cv::split或cv::cvtColor明确通道顺序。
• 误区三：将图像坐标系与笛卡尔坐标系混淆。在计算车道线斜率或偏差时，需注意v轴向下为正，斜率符号与数学中的习惯相反。
• 误区四：对所有场景使用固定ROI。虽然车道线通常位于图像下半部，但车辆上下坡或颠簸时，车道线在图像中的垂直位置会偏移，建议根据车辆俯仰角动态调整ROI。