图像基础与预处理（上）：图像在计算机中的表示与基本操作
各位同学，欢迎来到车道线检测实战的第二讲。今天我们要聊的是图像在计算机里到底长什么样，以及怎么把它“请”到我们的程序里来。这部分内容看似基础，但说实话，我见过太多项目因为预处理没做好，后面模型再牛也白搭。
咱们先从一个最朴素的问题开始：计算机看到的图像，和我们人眼看到的，是一回事吗？
图像在计算机中的表示：RGB与灰度
你想想看，我们看到的彩色照片，在计算机眼里其实就是一堆数字。说白了，就是三个二维数组叠在一起。
RGB色彩空间：每个像素由红（R）、绿（G）、蓝（B）三个通道组成。每个通道的值范围是0到255。0表示没有该颜色，255表示该颜色最亮。比如纯红色就是(255, 0, 0)，纯白色是(255, 255, 255)，纯黑色是(0, 0, 0)。
我在项目中遇到过一个问题：用OpenCV读取图像时，默认是BGR顺序，而不是我们熟悉的RGB。这个坑我踩过，后面会细说。
灰度图像：只有一个通道，每个像素值0到255，0是黑，255是白。灰度图在车道线检测里非常常用，因为很多边缘检测算法（比如Canny）都是在灰度图上操作的。
核心概念：彩色图像 = 三个通道（H×W×3），灰度图像 = 单通道（H×W）。
嗯，这里要注意：图像的数据类型通常是uint8，也就是无符号8位整数。如果你不小心把它转成了float32，显示的时候可能会出问题——我刚开始学的时候，就因为这个折腾了一下午。
图像读取与显示
在Python里，我们最常用的库就是OpenCV。读取图像用cv2.imread()，显示用cv2.imshow()。
import cv2
# 读取图像
img = cv2.imread('road.jpg')
# 检查是否读取成功
if img is None:
print("图像读取失败，检查路径")
else:
print(f"图像尺寸：{img.shape}") # (高度, 宽度, 通道数)
# 显示图像
cv2.imshow('Road Image', img)
cv2.waitKey(0) # 等待按键
cv2.destroyAllWindows()我个人习惯在读取图像后，第一时间打印shape。为什么？因为这样可以快速确认图像是否加载成功，以及它的尺寸是否符合预期。我曾经在项目里因为路径写错，读了个空图像，结果后面所有代码都报错，排查了半天。
避坑指南：cv2.imread()如果路径错误，不会报错，只会返回None。所以一定要加判空检查。
另外，cv2.waitKey(0)这个参数0表示无限等待，直到你按任意键。如果你设成1000，那就是等待1秒后自动关闭。这在调试时很有用。
颜色空间转换：BGR2GRAY 与 BGR2HSV
为什么需要转换颜色空间？说白了，就是让图像更适合我们后续的处理。
BGR → 灰度（GRAY）：车道线检测中，我们通常先转灰度，再做边缘检测。因为灰度图计算量小，而且边缘信息保留得不错。
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)这里有个细节：OpenCV的默认色彩顺序是BGR，不是RGB。所以如果你用cv2.imread()读图，然后直接用matplotlib显示，颜色会偏蓝偏黄。我刚开始做项目时，就因为这个被导师骂了一顿——显示出来的车道线颜色完全不对。
BGR → HSV：HSV（色调、饱和度、明度）在颜色分割任务中特别好用。比如我们要提取黄色车道线，在RGB空间里很难设定阈值，但在HSV空间里，只需要设定色调范围就行。
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)个人经验：在提取黄色车道线时，我通常把H通道范围设在20-40之间，S和V适当放宽。这个范围是我在多个项目里试出来的，效果比较稳定。
为什么会这样？因为黄色在HSV空间里，色调集中在30度附近。而白色车道线呢？它的饱和度很低，明度很高，所以更适合用灰度图处理。
图像缩放与裁剪
实际项目中，我们很少直接用原始尺寸的图像。原因很简单：计算资源有限，而且车道线通常只出现在图像的下半部分。
缩放（Resize）：用cv2.resize()可以改变图像尺寸。常用的插值方法有：
| 插值方法 | 适用场景 |
|---|---|
| INTER_NEAREST | 速度最快，但质量差，适合实时性要求极高的场景 |
| INTER_LINEAR | 默认方法，速度和质量的平衡，我一般用这个 |
| INTER_CUBIC | 质量最好，但速度慢，适合离线处理 |
# 缩放到指定尺寸
resized = cv2.resize(img, (640, 480))
# 按比例缩放
scale_percent = 50 # 缩小到50%
width = int(img.shape[1] * scale_percent / 100)
height = int(img.shape[0] * scale_percent / 100)
resized = cv2.resize(img, (width, height))裁剪（Cropping）：其实就是数组切片操作。因为图像在NumPy里就是一个多维数组。
# 裁剪图像的上半部分
cropped = img[0:img.shape[0]//2, :]嗯，这里要注意：裁剪时，第一个维度是高度（行），第二个维度是宽度（列）。我见过有人把顺序搞反，结果图像被旋转了90度。
实战建议：在车道线检测中，我通常先把图像缩放到640×480，然后裁剪掉上半部分（天空、树木等无关区域），只保留下半部分。这样既能减少计算量，又能提高检测精度。
本章知识体系
下面这张图，是我自己总结的图像预处理核心流程。你可以把它当作一个检查清单：
这张图展示了我们今天讲的所有内容：从原始BGR图像出发，根据任务需求选择转灰度还是HSV，最后统一做缩放和裁剪。我个人习惯把这个流程封装成一个函数，每次调用就行，省得重复写代码。
小技巧：你可以把预处理参数（缩放比例、裁剪区域、颜色空间）放在一个配置文件里。这样调参时不用改代码，改配置文件就行。我在实际项目中就是这么做的，效率高很多。
好了，今天的内容就到这里。记住：图像预处理不是可有可无的步骤，它直接决定了后续算法的上限。你想想看，如果输入图像都是歪的、模糊的、颜色不对的，再好的模型也白搭。
下一节我们会继续深入图像预处理的下半部分——滤波、边缘检测和感兴趣区域提取。这些都是车道线检测的核心前置操作。