4. 传统车道线检测（一）：颜色空间转换与阈值提取

各位同学，欢迎来到第四章。今天咱们聊聊传统车道线检测里最基础、也最关键的一步——颜色处理。

你想想看，车道线是什么颜色？无非就是白色和黄色。但现实世界哪有那么干净？光照一变，阴影一打，白色可能变成浅灰，黄色可能变成土黄。这时候，直接拿RGB去判断，效果往往很糟糕。

我个人习惯是，先做颜色空间转换，再设定阈值。这招在多个项目中帮我省了不少事。今天就把这套方法掰开揉碎了讲给你听。

4.1 为什么RGB不够用？

RGB是显示器的语言，不是视觉感知的语言。R、G、B三个通道高度耦合——亮度一变，三个值一起变。你设定一个白色阈值，阳光下一照，全变了。

举个例子：

• 纯白色在RGB中是(255, 255, 255)
• 阴影下的白色可能是(180, 180, 180)
• 黄昏时的白色可能偏蓝(200, 200, 220)

你看，同一个物体，RGB值能差出好几档。用固定阈值去卡，要么漏检，要么误检。

4.2 HSV与HLS：两种主流颜色空间

我最早接触HSV是在做交通标志识别的时候。后来做车道线，发现HLS在某些场景下更好用。这里我把两者都讲清楚，你自己选。

4.2.1 HSV颜色空间

HSV把颜色拆成三个分量：

• H（Hue，色调）：0°~180°，代表颜色种类。红色在0附近，黄色在30附近，绿色在60附近。
• S（Saturation，饱和度）：0~255，颜色鲜艳程度。纯色饱和度高，灰白色饱和度低。
• V（Value，明度）：0~255，亮度信息。受光照影响最大的就是这个分量。

为什么要用HSV？因为我们可以只靠H和S来识别颜色，把V（光照）的影响降到最低。说白了，就是「不管亮暗，只看颜色」。我在项目中遇到过这样的情况：隧道出口处光照突变，RGB方法直接崩了，换成HSV后稳如老狗。

4.2.2 HLS颜色空间

HLS和HSV很像，但有一个关键区别：

• H（Hue）：和HSV一样，0°~180°
• L（Lightness，亮度）：0~255，和V类似但计算方式不同
• S（Saturation）：0~255，定义略有不同

我个人感觉，HLS在处理白色车道线时更稳定。因为白色在HSV中S很低、V很高，阈值范围很窄；但在HLS中，白色的L和S分布更均匀，容易调参。

颜色空间	优点	缺点	适用场景
RGB	简单直接，无需转换	光照敏感，通道耦合	光照稳定的室内场景
HSV	分离色调和亮度，抗光照干扰	白色区域S值低，难提取	黄色车道线、彩色物体检测
HLS	白色提取更稳定，亮度分布均匀	计算量略大	白色车道线、夜间场景

4.3 颜色阈值提取：白色和黄色

好了，理论讲完，上代码。这是我在实际项目中调出来的阈值，你可以直接拿来用，但建议根据你的摄像头微调。

import cv2
import numpy as np

def extract_lane_lines(img):
    # 转换到HSV
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    
    # 白色阈值（HSV）
    # 白色：饱和度低，明度高
    lower_white = np.array([0, 0, 200])
    upper_white = np.array([180, 30, 255])
    white_mask = cv2.inRange(hsv, lower_white, upper_white)
    
    # 黄色阈值（HSV）
    # 黄色：色调在15~35之间，饱和度和明度适中
    lower_yellow = np.array([15, 80, 80])
    upper_yellow = np.array([35, 255, 255])
    yellow_mask = cv2.inRange(hsv, lower_yellow, upper_yellow)
    
    # 合并
    combined_mask = cv2.bitwise_or(white_mask, yellow_mask)
    result = cv2.bitwise_and(img, img, mask=combined_mask)
    
    return result, combined_mask

4.4 灰度图与二值化

颜色提取完，我们得到的是彩色图。但后续的边缘检测、霍夫变换等算法，都需要灰度图或二值图。所以下一步就是降维。

4.4.1 转灰度图

OpenCV里一行代码的事：

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

但要注意，如果你已经做了颜色阈值提取，可以直接把mask当成二值图用，省掉转灰度这一步。我经常这么干，能省一点算力。

4.4.2 Otsu二值化：自动找阈值

为什么要用Otsu？因为手动设阈值太累了。光照一变，阈值就得调。Otsu算法能根据图像的直方图自动计算最佳阈值。

它的原理很简单：把像素分成前景和背景两类，让两类之间的方差最大。说白了，就是找一个值，把图像劈成两半，让两半「差别最大」。

# Otsu二值化
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 或者配合颜色mask一起用
_, binary_mask = cv2.threshold(combined_mask, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

4.5 本章知识体系

下面这张图总结了本章的核心流程，我画成了SVG，方便你理解整体逻辑：

4.6 完整代码示例

最后，给你一个可以直接跑的完整流程。把图片路径换成你的，试试效果：

import cv2
import numpy as np

def lane_color_pipeline(image_path):
    # 读取图像
    img = cv2.imread(image_path)
    if img is None:
        print("图片读取失败")
        return
    
    # 1. 颜色空间转换 + 阈值提取
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    
    # 白色阈值
    lower_white = np.array([0, 0, 200])
    upper_white = np.array([180, 30, 255])
    white_mask = cv2.inRange(hsv, lower_white, upper_white)
    
    # 黄色阈值
    lower_yellow = np.array([15, 80, 80])
    upper_yellow = np.array([35, 255, 255])
    yellow_mask = cv2.inRange(hsv, lower_yellow, upper_yellow)
    
    # 合并
    combined_mask = cv2.bitwise_or(white_mask, yellow_mask)
    
    # 2. 转灰度 + Otsu二值化
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 3. 也可以对mask做Otsu（效果通常更好）
    _, mask_binary = cv2.threshold(combined_mask, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 显示结果
    cv2.imshow("Original", img)
    cv2.imshow("Color Mask", combined_mask)
    cv2.imshow("Otsu Binary", binary)
    cv2.imshow("Mask + Otsu", mask_binary)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 运行
lane_color_pipeline("test_image.jpg")

嗯，这一章的内容就到这里。颜色处理是车道线检测的基石，看似简单，但调参时坑不少。多试几张不同光照的图片，你就能找到感觉了。