📚 课程目录第2章颜色空间基础

OpenCV色彩过滤与物体追踪实战 - 第2节

2. 颜色空间基础

RGB 颜色模型 · HSV 颜色模型 · 为什么 HSV 更适合色彩过滤

1. RGB 颜色模型

RGB 模型基于加色混合，使用 红 (R)、绿 (G)、蓝 (B) 三个通道，每个通道通常为 0–255。RGB 是相机、显示器直接使用的色彩空间，但三个通道高度相关，且受光照影响剧烈。

特性	RGB 说明
通道相关性	R/G/B 高度耦合，亮度变化同时影响三个通道
光照敏感度	阴影或高光下，RGB 值剧烈漂移，难以设定固定阈值
直观性	不符合人类对“色调、饱和度、明度”的感知

2. HSV 颜色模型

HSV 将颜色分解为 色调 (Hue)、饱和度 (Saturation)、明度 (Value)。色调用角度 0°–180°（OpenCV 中 0–180）表示，饱和度与明度各 0–255。HSV 分离了颜色本质与光照信息。

HSV 各分量范围 (OpenCV)

分量	范围	物理意义
H (色调)	0 – 179	颜色种类 (红、绿、蓝等)
S (饱和度)	0 – 255	颜色纯度 / 鲜艳程度
V (明度)	0 – 255	亮度 / 光照强度

3. 为什么 HSV 更适合色彩过滤

色彩过滤的核心是 稳定地分离目标颜色。HSV 将色调与光照解耦，使得我们只需设定 H 范围即可锁定颜色，S 和 V 用于排除过暗/过饱和区域。下面通过对比说明。

                ✅ HSV 优势总结

                • 色调 H 对光照不敏感，阴影下红色仍是红色

                • 可独立调节饱和度与明度阈值，适应不同环境

                • 过滤时只需一个 H 区间 + S/V 下限，代码简洁鲁棒

代码示例：RGB vs HSV 过滤红色

# RGB 硬阈值 (光照脆弱)
lower_rgb = np.array([200, 0, 0])
upper_rgb = np.array([255, 80, 80])
mask_rgb = cv2.inRange(img_rgb, lower_rgb, upper_rgb)

# HSV 鲁棒过滤 (推荐)
img_hsv = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2HSV)
lower_hsv = np.array([0, 60, 60])   # 红色低色调
upper_hsv = np.array([10, 255, 255])
mask_hsv = cv2.inRange(img_hsv, lower_hsv, upper_hsv)

实际项目中，HSV 过滤能大幅降低光照干扰，配合形态学操作即可稳定追踪物体。这也是本课程后续所有追踪实验的基础。