4、颜色阈值分割：利用HSL/HSV颜色空间提取白色和黄色车道线的方法

在上一节中，我们完成了图像灰度化和高斯模糊处理，但灰度图像中车道线与路面背景的对比度仍然有限，尤其是在阴影、强光或沥青路面颜色不均的场景下。本节将引入颜色阈值分割技术，利用HSL/HSV颜色空间对白色和黄色车道线进行精确提取。与RGB空间相比，HSL/HSV将颜色信息分解为色相（Hue）、饱和度（Saturation）和亮度（Lightness/Value）三个独立维度，能够更稳定地应对光照变化和阴影干扰，是车道线识别系统中承上启下的关键环节。

上图展示了颜色阈值分割的整体流程：从BGR图像出发，经过颜色空间转换后，分别对白色和黄色生成掩码，再通过按位或合并得到最终的二值掩码图。下面我们将深入探讨HSL/HSV颜色空间的原理、阈值选取方法、实战案例以及常见误区。

4.1 核心原理：为什么选择HSL/HSV而非RGB

RGB颜色空间由红、绿、蓝三个通道组成，三个通道高度相关，且对光照变化极其敏感。例如，一条白色车道线在阴影下可能呈现RGB(180,180,180)，而在阳光下为RGB(240,240,240)，两者在RGB空间中的欧氏距离很大，难以用固定阈值同时覆盖。而HSL（色相、饱和度、亮度）和HSV（色相、饱和度、明度）将颜色信息解耦：色相H表示颜色的本质属性（如红色、黄色），饱和度S表示颜色的纯净程度（灰度为0，纯色为255），亮度L/明度V表示颜色的明暗程度。这种解耦使得我们可以针对车道线的颜色本质进行分割，而不受光照强度变化的直接影响。

具体而言，白色车道线的特征是高亮度、低饱和度，无论H值是多少，只要L足够高且S足够低，就可以判定为白色。黄色车道线的特征是色相集中在30°附近（OpenCV中H范围为0-180，对应色相环0-360°），且饱和度和亮度都较高。这种基于颜色属性的判断方式，比RGB空间中的"三个通道同时满足条件"要稳健得多。

4.2 判断方法：阈值选取与掩码生成操作流程

在OpenCV中，颜色阈值分割通常遵循以下操作流程。首先，使用cv2.cvtColor()将BGR图像转换为HSL或HSV空间。然后，通过cv2.inRange()函数为每种颜色定义阈值范围，生成二值掩码。最后，使用cv2.bitwise_or()合并白色和黄色掩码。

import cv2
import numpy as np

def extract_lane_colors(img_bgr):
    # 1. 转换为HSL空间
    img_hsl = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HLS)
    
    # 2. 白色掩码：高亮度，低饱和度
    lower_white = np.array([0, 200, 0])   # H任意, L≥200, S任意
    upper_white = np.array([180, 255, 30]) # H任意, L≤255, S≤30
    mask_white = cv2.inRange(img_hsl, lower_white, upper_white)
    
    # 3. 黄色掩码：色相窄带，高饱和度，中等亮度
    lower_yellow = np.array([15, 150, 80])  # H 15-35, L≥150, S≥80
    upper_yellow = np.array([35, 255, 255])
    mask_yellow = cv2.inRange(img_hsl, lower_yellow, upper_yellow)
    
    # 4. 合并掩码
    mask_combined = cv2.bitwise_or(mask_white, mask_yellow)
    
    # 5. 可选：形态学操作去除噪点
    kernel = np.ones((3,3), np.uint8)
    mask_clean = cv2.morphologyEx(mask_combined, cv2.MORPH_OPEN, kernel)
    
    return mask_clean

阈值选取的核心原则是"宁宽勿窄，宁漏勿错"。在初始调试阶段，可以适当放宽阈值范围，确保车道线完整保留；后续再根据误检情况逐步收紧。具体操作时，建议使用OpenCV的滑动条（Trackbar）动态调整阈值，观察掩码效果，而不是一次性设定固定值。

4.3 案例拆解：高速公路强光与阴影交替场景

我们以一段真实的高速公路行车记录仪视频为例。该路段两侧有密集的树木，阳光透过树叶形成斑驳阴影，同时路面为深色沥青，部分路段有反光。初始使用RGB阈值分割时，白色车道线在阴影下被漏检，而反光区域被误检为白色。切换到HSL空间后，我们进行了以下调试过程：

1. 初始参数设定：白色L下限设为220，S上限设为25；黄色H范围20-30，S下限100，L下限180。结果发现阴影下的白色车道线大量漏检，掩码覆盖率仅约60%。
2. 分析判断：通过直方图统计发现，阴影区域的白色车道线L值降至180-200之间，而S值升高至40-60（因为阴影使颜色变灰，饱和度相对升高）。
3. 参数调整：将白色L下限降至180，S上限放宽至50；同时将黄色L下限降至140，S下限降至70。调整后，掩码覆盖率提升至92%，但出现了少量误检——路面反光区域被误判为白色。
4. 优化处理：引入形态学开运算（3×3核）去除孤立噪点，并利用ROI区域排除天空和路肩干扰。最终掩码准确率达到95%以上，漏检率低于3%。

这个案例说明，阈值参数不是一成不变的，需要根据实际场景的光照分布进行动态调整。在工程实现中，可以设计一个简单的自适应策略：统计图像上半部分的平均亮度，若低于某个阈值（如100），则自动降低L下限20-30个单位。

4.4 常见误区与总结复盘

在实际项目开发中，以下误区最为常见：

• 误区一：直接使用RGB阈值。RGB空间对光照变化极度敏感，同一颜色在不同亮度下RGB值差异巨大，固定阈值无法适应环境变化。
• 误区二：混淆HSL和HSV的通道顺序。OpenCV中COLOR_BGR2HLS返回的通道顺序是H、L、S，而COLOR_BGR2HSV返回的是H、S、V。如果搞混顺序，阈值设置将完全失效。
• 误区三：忽略H通道的环形特性。H值在0和180之间是连续的（0和180都代表红色），如果黄色阈值跨越了0/180边界（例如H从170到10），需要拆分为两个区间分别处理。
• 误区四：阈值固定不变。一天中光照色温变化显著（清晨偏暖、正午偏冷、黄昏偏红），固定阈值在早晚可能失效。建议根据时间或图像统计特征动态调整。