3、颜色识别基础：理解RGB565颜色空间、LAB颜色空间及其在OpenMV中的表示，学习如何通过阈值编辑器（Threshold Editor）获取目标颜色的LAB阈值
颜色识别是OpenMV目标追踪项目的基石。无论是追踪红色小球、识别蓝色路标，还是区分不同颜色的物料，第一步都是让摄像头“看懂”颜色。然而，摄像头输出的原始数据是RGB格式，而OpenMV官方推荐的阈值配置却基于LAB颜色空间。为什么不用RGB？LAB到底有什么优势？阈值编辑器里的六个数值（L Min、L Max、A Min、A Max、B Min、B Max）分别代表什么？本章将系统拆解RGB565与LAB颜色空间的数学原理、OpenMV内部的表示方式，并手把手演示如何通过阈值编辑器获取稳定可靠的目标颜色阈值。
3.1 RGB565颜色空间：OpenMV的原始数据格式
3.1.1 核心原理：16位色深与像素存储
OpenMV Cam的感光元件（如OV7725）输出的是RGB565格式的原始图像数据。所谓RGB565，是指每个像素用16位（2字节）二进制数表示颜色，其中红色分量占用高5位，绿色分量占用中间6位，蓝色分量占用低5位。绿色多分配1位是因为人眼对绿色最敏感，这样可以在有限位宽内获得更好的视觉感知效果。
具体来说，一个16位像素的位分布为：RRRRRGGGGGGBBBBB。红色和蓝色各有32个等级（2^5=32），绿色有64个等级（2^6=64），因此总颜色数为32×64×32=65536种。相比PC上常见的RGB888（24位，约1670万色），RGB565的色域较窄，但对于嵌入式视觉应用已经足够。
为什么OpenMV不直接使用RGB888？ 主要受限于硬件带宽和存储空间。RGB565每个像素仅占2字节，320×240分辨率的帧缓冲区仅需约150KB，而RGB888则需要约225KB。对于STM32F765这类主控芯片，内存和总线带宽都有限，RGB565是性能与精度的折中方案。
3.1.2 判断方法：RGB565的局限性
虽然RGB565是OpenMV的底层格式，但在颜色识别中直接使用RGB值存在两个严重问题：
- 光照敏感：RGB三个通道高度相关，当环境光照变化时，同一物体的RGB值会剧烈波动。例如，红色小球在强光下R值可能从200变为240，在阴影下可能降到120，导致阈值难以固定。
- 通道耦合：RGB中改变任何一个通道的值，人眼感知到的颜色变化是非线性的。比如R从100增加到150，与从200增加到250，视觉上的颜色变化幅度完全不同。
因此，OpenMV官方推荐在LAB颜色空间中进行阈值设定，而不是直接使用RGB565的原始值。
3.2 LAB颜色空间：感知均匀的颜色模型
3.2.1 核心原理：L、A、B三个通道的物理含义
LAB颜色空间（CIELAB）由国际照明委员会（CIE）制定，旨在模拟人眼对颜色的感知方式。它将颜色分解为三个独立通道：
| 通道 | 名称 | 取值范围（OpenMV） | 物理含义 |
|---|---|---|---|
| L | 亮度（Lightness） | 0 ~ 100 | 0为纯黑，100为纯白，表示颜色的明暗程度 |
| A | 绿红分量（Green-Red） | -128 ~ 127 | 负值偏绿，正值偏红，0为中性灰 |
| B | 蓝黄分量（Blue-Yellow） | -128 ~ 127 | 负值偏蓝，正值偏黄，0为中性灰 |
LAB的核心优势在于感知均匀性：两个颜色在LAB空间中的欧氏距离，与人眼感知到的颜色差异成正比。这意味着，如果红色和橙色的LAB距离为10，那么蓝色和紫色的LAB距离也为10时，人眼会认为这两组颜色的差异程度相同。这种特性使得LAB阈值可以更稳定地描述“颜色范围”。
3.2.2 OpenMV中的LAB表示：从RGB565到LAB的转换
OpenMV的IDE在显示图像时，会自动将RGB565像素转换为LAB值供阈值编辑器使用。转换过程分为两步：首先将RGB565扩展为RGB888（8位每通道），然后通过标准公式转换到LAB空间。OpenMV内部使用整数运算加速转换，因此LAB值会有一定的量化误差，但不会影响实际识别效果。
在OpenMV的Python API中，LAB阈值以六元组形式表示：(L_min, L_max, A_min, A_max, B_min, B_max)。例如，追踪红色小球时，阈值可能为(30, 80, 25, 80, 10, 60)，表示亮度在30~80之间，A值在25~80之间（偏红），B值在10~60之间（偏黄）。
经验提示：在OpenMV中，LAB的A和B通道范围被归一化到-128~127，但阈值编辑器显示时通常只显示正数部分。实际使用时，如果目标颜色偏绿（A为负），需要将A_min设为负数，例如(-50, -10)。
3.3 阈值编辑器（Threshold Editor）实操指南
3.3.1 操作流程：从图像到阈值六元组
阈值编辑器是OpenMV IDE内置的可视化工具，它允许用户通过鼠标框选图像中的目标区域，自动计算该区域的LAB范围，并生成可用的阈值。以下是标准操作流程：
- 连接设备并运行基础脚本：在OpenMV IDE中连接开发板，运行一个简单的图像采集脚本（如
sensor.snapshot()），确保IDE的帧缓冲区显示实时画面。 - 打开阈值编辑器：点击IDE菜单栏的
Tools → Machine Vision → Threshold Editor，或直接点击工具栏中的“阈值编辑器”图标。 - 框选目标区域：在编辑器左侧的实时图像窗口中，用鼠标左键拖拽一个矩形框，框住目标颜色区域。尽量选择颜色均匀、无阴影反光的部分。
- 查看自动生成的阈值：编辑器右侧会立即显示该区域的LAB最小值与最大值，并自动生成六元组阈值。同时，图像中符合该阈值的像素会被高亮显示（通常为红色蒙版）。
- 微调阈值：拖动L、A、B三个通道的滑块，观察高亮区域的变化。目标是让目标物体完全高亮，同时背景尽量不亮。注意L通道的调整对光照变化最敏感。
- 复制阈值到剪贴板：点击“Copy Threshold”按钮，将六元组复制到剪贴板，然后粘贴到你的Python代码中。
3.3.2 案例拆解：红色小球阈值获取与验证
假设我们要追踪一个红色乒乓球，环境为白色桌面，室内LED照明。以下是完整的阈值获取与验证过程：
| 步骤 | 操作 | 观察结果 | 调整策略 |
|---|---|---|---|
| 1 | 框选小球中心区域 | 自动生成阈值 (25, 70, 30, 90, 15, 65) | 初始阈值可用，但高亮区域包含部分阴影 |
| 2 | 缩小L通道上限 | L_max从70降到55 | 阴影部分L值较低，降低L_max可排除阴影 |
| 3 | 扩大A通道下限 | A_min从30升到40 | 增强红色纯度要求，排除偏粉色的背景反光 |
| 4 | 验证背景不误检 | 白色桌面高亮区域消失 | 白色LAB的A、B值接近0，与红色阈值无交集 |
| 5 | 最终阈值 | (25, 55, 40, 90, 15, 65) | 小球完全高亮，背景无干扰 |
在实际项目中，还需要考虑不同光照条件下的鲁棒性。建议在一天中的不同时间段（自然光变化）或开关灯的情况下，分别采集阈值，取并集作为最终阈值。例如，强光下L值偏高，弱光下L值偏低，可以将L_min设为20，L_max设为80，覆盖更宽的亮度范围。
3.3.3 常见误区与总结复盘
误区1：直接使用RGB阈值。 有些初学者会尝试用find_blobs的RGB模式，但RGB阈值对光照极其敏感，稍微改变灯光角度就会失效。务必使用LAB阈值。
误区2：阈值范围设置过窄。 如果阈值只覆盖了目标物体在特定光照下的颜色，一旦物体移动或光照变化，就会丢失目标。建议在阈值编辑器中将滑块适当放宽10%~20%。
误区3：忽略L通道的作用。 L通道代表亮度，很多人在调整阈值时只关注A和B，导致在阴影或高光区域误检。L通道的上下限应该根据环境光照动态调整。
误区4：在阈值编辑器中只框选一个点。 应该框选目标物体上多个不同亮度的区域（如高光区、阴影区、中间调），让编辑器综合计算更全面的阈值范围。
总结复盘：颜色识别的本质是在LAB空间中定义一个“颜色球体”或“颜色立方体”，将目标颜色与背景分离。RGB565是硬件层的原始格式，LAB是应用层的识别空间。阈值编辑器是连接两者的桥梁，它通过可视化交互降低了阈值调试的难度。掌握LAB三个通道的物理含义，理解光照对L通道的影响，是稳定追踪目标颜色的关键。在实际项目中，建议将阈值获取过程标准化：固定摄像头位置和角度，控制环境光照，多次采样取并集，最后在代码中加入blob.area()过滤小面积噪点，进一步提升识别稳定性。