3、图像处理基础：像素、颜色空间（RGB/HSV/LAB）、感兴趣区域（ROI）、二值化与阈值概念
在OpenMV智能车项目中，摄像头采集到的原始图像只是一堆离散的亮度与颜色数据。要让智能车识别出赛道上的黑线、路标颜色以及前方障碍物，必须理解图像处理的基本概念。本章将围绕像素、颜色空间、感兴趣区域（ROI）以及二值化与阈值展开，这些是后续巡线、路标识别和避障算法的基础。只有掌握了这些底层逻辑，才能在实际调试中快速定位问题，而不是盲目修改代码参数。
3.1 像素：图像的最小构成单元
像素是数字图像中最基本的概念。OpenMV Cam默认输出QVGA分辨率（320×240），意味着整幅图像由320列、240行共76800个像素点组成。每个像素点存储了该位置的颜色或亮度信息。在灰度模式下，每个像素用一个0~255的整数表示亮度，0为纯黑，255为纯白；在RGB模式下，每个像素由R、G、B三个分量组成，每个分量同样取值0~255。
理解像素的坐标系统至关重要。OpenMV中图像左上角为原点(0,0)，x轴向右增加，y轴向下增加。例如，像素(160, 120)恰好位于图像中心。在巡线任务中，我们通常关注图像下半部分的像素行，因为那是车体前方最近的地面区域。通过遍历特定行或列的像素值，可以判断黑线的位置偏移量。
img.get_pixel(x, y)可以获取某点像素值，但实际项目中很少逐像素操作，而是通过区域统计函数（如img.get_statistics()）批量处理ROI内的像素，以提高效率。
3.2 颜色空间：RGB、HSV与LAB的对比与选择
颜色空间是描述颜色的数学模型。OpenMV支持RGB、HSV、LAB三种主要颜色空间，不同空间对光照变化的敏感度差异显著。
| 颜色空间 | 分量含义 | 光照敏感性 | 适用场景 |
|---|---|---|---|
| RGB | 红/绿/蓝三通道 | 高（亮度变化直接影响三通道值） | 屏幕显示、简单颜色识别 |
| HSV | 色调/饱和度/明度 | 中（色调分量相对稳定） | 彩色路标识别、颜色分割 |
| LAB | 亮度/绿红轴/蓝黄轴 | 低（L与颜色分离，A/B通道受光照影响小） | 巡线、复杂光照环境下的颜色识别 |
在OpenMV智能车项目中，LAB颜色空间是首选。原因在于：L通道独立表示亮度，而A和B通道分别表示颜色对立轴。当环境光照变化时，L值会波动，但A和B值相对稳定。例如，红色路标在强光和弱光下，其A值始终显著高于B值。相比之下，RGB空间中R、G、B三个通道会同时受光照影响，导致颜色判断阈值难以设定。
HSV空间中的H（色调）分量对光照也有一定鲁棒性，但H值在低饱和度区域（如灰色、白色）会变得不稳定。对于赛道上的白色引导线和黑色赛道，LAB空间的A、B通道接近0，而L通道差异明显，非常适合用于二值化分割。
3.3 感兴趣区域（ROI）：聚焦关键区域
ROI（Region of Interest）是指在图像中划定的矩形子区域，格式为(x, y, w, h)，其中(x,y)为左上角坐标，w为宽度，h为高度。OpenMV中几乎所有图像处理函数都支持ROI参数，例如img.find_blobs(thresholds, roi=...)。
合理设置ROI能带来三大好处：减少计算量（只处理关键区域，帧率更高）、排除干扰（忽略背景中的无关物体）、提高稳定性（固定ROI内检测，减少误判）。
在巡线场景中，典型的ROI设置是图像底部中央的带状区域。例如，对于320×240的图像，可以设置ROI为(60, 180, 200, 50)，即从x=60到x=260，y=180到y=230的区域。这个区域覆盖了车体前方约20~30cm的地面，既能提前感知弯道，又不会因远处透视变形导致误判。
对于路标识别，ROI通常设置在图像上半部分，因为路标悬挂在较高位置。而避障任务中，ROI则根据超声波或摄像头安装角度动态调整，一般设置在图像中线附近。
img.draw_rectangle(roi)将ROI可视化，观察是否覆盖了所有可能出现目标的区域。
3.4 二值化与阈值：从灰度到黑白
二值化是将灰度图像转换为只有黑（0）和白（255）两种像素值的过程。核心是设定一个阈值T：像素值大于等于T则设为255（白），小于T则设为0（黑）。在OpenMV中，二值化通常通过img.binary([thresholds])实现，其中thresholds是一个阈值列表。
阈值的选择直接决定二值化效果。以巡线为例，假设赛道为白色地板、黑色引导线，在LAB空间下L通道中黑线的L值约为20~40，白底的L值约为180~220。设定阈值(0, 100)即可将黑线分割为黑色区域，白底变为白色区域。但若光照不均，部分阴影区域L值可能降到100以下，导致误分割。
OpenMV提供了两种阈值设定方式：固定阈值和自适应阈值。固定阈值简单高效，但需要针对不同光照环境手动调整；自适应阈值（如img.adaptive_threshold()）根据局部邻域像素动态计算阈值，能适应光照渐变，但计算量较大，可能影响帧率。
# 巡线二值化示例（LAB空间）
import sensor, image, time
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(10)
# 阈值编辑器获取的黑线LAB阈值
black_threshold = (0, 40, -20, 20, -20, 20) # L, A, B范围
while True:
img = sensor.snapshot()
# 设置ROI为底部中央区域
roi = (60, 180, 200, 50)
# 复制ROI区域并二值化
img.binary([black_threshold], roi=roi)
# 统计黑色像素的质心
blobs = img.find_blobs([black_threshold], roi=roi, pixels_threshold=100)
if blobs:
for b in blobs:
img.draw_cross(b.cx(), b.cy(), color=(255,0,0))
time.sleep_ms(50)
上述代码中，black_threshold的六个数值分别对应LAB空间的L、A、B通道的最小和最大值。通过限制A和B的范围，可以排除与黑色相近的深灰色干扰，只保留真正的黑色引导线。
3.5 案例拆解：光照变化下的巡线阈值调优
场景背景：某高校实验室的OpenMV智能车在上午10点阳光直射环境下巡线正常，但下午3点太阳西斜，部分赛道被阴影覆盖，导致黑线丢失或误检。
初始现象：使用固定阈值(0, 40, -20, 20, -20, 20)时，阴影区域的白色地板L值降至50左右，被误判为黑色，导致二值化图像中出现大面积黑色噪点，巡线算法计算出错误的质心位置。
分析过程：通过阈值编辑器观察阴影区域的像素值，发现L通道在45~60之间，A、B通道接近0。而真正的黑线L值在15~30之间。两者在L通道上有重叠，但A、B通道差异不大。因此单纯调整L阈值无法完全分离。
解决方案：采用两步策略。第一步，将ROI缩小至车体正前方30cm范围，减少远处阴影的影响；第二步，将阈值调整为(0, 35, -15, 15, -15, 15)，同时增加pixels_threshold=200过滤小面积噪点。此外，在代码中加入光照补偿逻辑：每100帧重新采样图像左上角区域的L值，动态调整阈值上限。
结果对比：调整前，阴影区域误检率约30%，巡线偏移量抖动达±20像素；调整后，误检率降至2%以内，偏移量稳定在±5像素。代价是ROI缩小后，高速弯道中黑线偶尔超出ROI范围，需要结合转向提前量弥补。
复盘经验：固定阈值适合实验室稳定光照，实际比赛或户外场景必须考虑动态阈值或自适应方法。ROI的缩小虽然减少了干扰，但也牺牲了远距离感知能力，需要根据赛道曲率半径权衡。
3.6 常见误区与总结
- 误区一：在RGB空间直接设定颜色阈值。RGB三个通道高度相关，光照变化时三个值同时漂移，阈值范围难以覆盖。应优先使用LAB或HSV。
- 误区二：ROI设置后不验证。很多开发者凭感觉设定ROI，导致目标物体部分在ROI外。务必用
draw_rectangle可视化确认。 - 误区三：二值化后不进行形态学滤波。二值化图像中常有孤立噪点，使用
img.erode()和img.dilate()可以去除小噪点、连接断裂区域。 - 误区四：忽略帧率影响。复杂的图像处理（如全图自适应阈值）会降低帧率，导致控制延迟。在保证效果的前提下，尽量缩小ROI和简化算法。