1. 图像处理基础

各位同学好，欢迎来到《图像处理算法优化与摄像头调优》的第一章。

说实话，我见过太多人一上来就调算法、跑模型，结果连一张图片在内存里长什么样都说不清楚。这就像盖楼不打地基——迟早要塌。今天咱们就把这块地基夯实了。

1.1 像素——图像的最小单元

一张数字图像，说白了就是一个二维数组。数组里的每个元素，就是一个像素。

我习惯把像素想象成马赛克瓷砖。你离远了看，是一幅完整的画；凑近了看，就是一个个小方块。每个小方块都有自己的颜色值。

核心概念：像素是图像的基本采样单元。每个像素存储一个数值（灰度图）或一组数值（彩色图），代表该位置的亮度或颜色信息。

举个例子，一张 640×480 的灰度图，就是 640 列、480 行的矩阵。每个格子存一个 0~255 的整数，0 代表纯黑，255 代表纯白。就这么简单。

我的经验：做嵌入式视觉时，我经常把图像分辨率记成「宽×高×通道数」。比如 640×480×3 就是一张彩色图。这个习惯帮我避免了很多内存越界的坑。

1.2 色彩空间——计算机怎么「看」颜色

人眼感知颜色靠的是三种视锥细胞。计算机呢？它靠的是色彩空间模型。

1.2.1 RGB 色彩空间

最常用的就是 RGB。红、绿、蓝三个通道，每个通道 0~255，组合出 1600 多万种颜色。显示器、摄像头传感器，基本都是 RGB 的天下。

但 RGB 有个问题——它跟人眼的感知方式不太匹配。你调高红色分量，人眼感觉到的亮度变化并不线性。这就引出了下一个模型。

1.2.2 YUV / YCbCr 色彩空间

YUV 把亮度（Y）和色度（U、V）分开。这个设计很聪明——人眼对亮度敏感，对颜色不敏感。所以视频压缩时可以多保留 Y 的信息，少保留 UV 的信息，画质损失不大。

我记得第一次做摄像头驱动时，发现采集到的数据是 YUYV 格式，直接当 RGB 显示，颜色全乱套了。嗯，从那以后我再也不敢忽略色彩空间转换了。

1.2.3 HSV 色彩空间

HSV 把颜色拆成色调（H）、饱和度（S）、明度（V）。做颜色识别时特别好用——你想找红色物体，直接限定 H 的范围就行，不受光照变化影响。

色彩空间 通道含义 典型应用 我的建议
RGB 红、绿、蓝 显示、传感器原始数据 做显示用，做分析别用
YUV/YCbCr 亮度、蓝色差、红色差 视频编码、摄像头输出 嵌入式摄像头默认格式
HSV 色调、饱和度、明度 颜色识别、图像分割 颜色检测首选
灰度 单通道亮度 边缘检测、二值化 省内存、速度快

1.3 图像数字化与存储格式

模拟信号怎么变成数字图像？这个过程叫数字化，包含两步：采样和量化。

  • 空间采样：决定图像的分辨率。采样越密，细节越多，文件也越大。
  • 幅度量化：决定每个像素的位深。8 位就是 256 级灰度，10 位就是 1024 级。

你想想看，一张 12 位深度的 RAW 图，比 8 位的 JPEG 包含更多细节。但代价是文件体积翻倍。这就是为什么专业相机拍 RAW，手机默认拍 JPEG——存储和画质的取舍。

1.3.1 常见图像存储格式

格式 压缩方式 特点 适用场景
BMP 无压缩 文件大，读取快 学习调试用
JPEG 有损压缩 文件小，有块效应 网络传输、存储
PNG 无损压缩 支持透明通道 UI、图标、需要保真的场景
RAW 传感器原始数据 未处理，位深高 专业摄影、ISP 调试

避坑指南：我曾经在项目中直接用 JPEG 做边缘检测，结果压缩带来的块效应导致检测结果全是假边缘。后来换成 PNG 或 BMP 就正常了。记住——有损压缩会破坏像素的原始关系，做图像分析时尽量用无损格式。

1.4 知识体系总览

下面这张图把本章的核心知识点串起来了。你可以把它当作整个课程的「地图」——后面每一章都会在这张图上展开。

图像处理基础 - 知识体系 图像处理基础 - 知识体系 图像处理基础 像素与色彩空间 图像数字化与存储 OpenCV环境与操作 像素概念 RGB / YUV / HSV 采样与量化 BMP/JPEG/PNG 环境搭建 读写显示 imread / imwrite imshow / waitKey 💡 学习路径：先理解像素 → 再掌握色彩空间 → 然后学会读写图像 → 最后用 OpenCV 把前面学的知识串起来

1.5 OpenCV 环境搭建与基本操作

理论说完了，咱们来点实际的。OpenCV 是图像处理领域最常用的库，没有之一。我这些年做过的项目，从手机摄像头调优到工业检测，几乎都离不开它。

1.5.1 安装 OpenCV

Python 环境下，安装就一行命令：

pip install opencv-python opencv-contrib-python

如果你用 C++，建议从源码编译，这样能开启优化选项。我个人习惯在 Linux 下编译时加上 -DCMAKE_BUILD_TYPE=RELEASE 和 -DWITH_TBB=ON，速度能快不少。

小技巧：安装后运行 python -c "import cv2; print(cv2.__version__)" 验证。如果看到版本号，说明装好了。

1.5.2 读取、显示、保存图像

这是 OpenCV 最基础的三板斧。看代码：

import cv2

# 读取图像
img = cv2.imread('lena.jpg')

# 显示图像
cv2.imshow('My Image', img)
cv2.waitKey(0)          # 等待按键
cv2.destroyAllWindows() # 关闭窗口

# 保存图像
cv2.imwrite('output.jpg', img)

这里有个坑——imread 默认以 BGR 顺序读取，不是 RGB。我第一次用 OpenCV 时，用 matplotlib 显示图像，颜色全偏蓝。后来才反应过来，OpenCV 的默认色彩空间是 BGR。

重要提醒：OpenCV 使用 BGR 顺序！如果你用其他库（如 matplotlib）显示，记得先转换：img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)。

1.5.3 访问和修改像素

图像在 OpenCV 里就是 NumPy 数组。访问像素就像操作矩阵：

import cv2
import numpy as np

# 创建一个 300x300 的红色图像
img = np.zeros((300, 300, 3), dtype=np.uint8)
img[:, :] = (0, 0, 255)  # BGR 顺序，所以 (0,0,255) 是红色

# 访问 (100, 100) 处的像素
(b, g, r) = img[100, 100]
print(f"B:{b}, G:{g}, R:{r}")

# 修改某个区域
img[50:150, 50:150] = (255, 0, 0)  # 蓝色方块

你想想看，掌握了像素级别的操作，后面做滤波、边缘检测、形态学处理，其实都是在操作这些数值。

1.5.4 色彩空间转换

前面讲了那么多色彩空间，现在用代码实现一下：

import cv2

img = cv2.imread('lena.jpg')

# 转灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 转 HSV
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 转 YUV
yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)

做颜色识别时，我几乎只用 HSV。比如检测红色：

import cv2
import numpy as np

img = cv2.imread('red_ball.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 红色在 HSV 中的范围
lower_red = np.array([0, 50, 50])
upper_red = np.array([10, 255, 255])
mask = cv2.inRange(hsv, lower_red, upper_red)

cv2.imshow('Red Mask', mask)
cv2.waitKey(0)

核心要点：色彩空间转换是图像预处理的第一步。选对色彩空间，后续处理事半功倍。做检测用 HSV，做压缩用 YUV，做显示用 RGB——这是铁律。

1.6 本章小结

这一章我们走完了图像处理的「第一公里」：

  • 理解了像素是图像的基本单元
  • 掌握了RGB、YUV、HSV三种色彩空间的特点和用途
  • 明白了数字化的两个关键步骤：采样和量化
  • 区分了BMP、JPEG、PNG、RAW等存储格式的适用场景
  • 搭建了OpenCV环境，学会了读写显示和像素操作

这些基础看似简单，但我在实际项目中见过太多人在这里栽跟头。色彩空间搞错、像素位深忽略、格式选错——每一个都是实打实的 bug。希望你能把这些基础打牢，后面的路会顺畅很多。

← 上一章 📖 返回目录 下一章 →