4. 彩色图像均衡化

前面几章我们一直在跟灰度图打交道。但现实世界是彩色的，对吧？你拿手机拍的照片，基本都是三通道的彩色图。直接对三个通道分别做直方图均衡化？嗯，我试过，效果很糟糕，颜色会变得怪怪的，像老式电视机的雪花屏。

为什么会这样？因为RGB三个通道之间相关性太强。你单独拉伸每个通道的对比度，等于把原本平衡的颜色关系给破坏了。所以，彩色图像均衡化，得换个思路。

4.1 为什么选YUV色彩空间

我个人习惯在处理彩色图像增强时，先把图像从RGB转到YUV。YUV的核心思想是把亮度信息和颜色信息分开：

• Y通道：代表亮度（Luma），也就是图像的明暗细节。人眼对亮度最敏感。
• U和V通道：代表色度（Chroma），负责颜色信息。

你想想看，我们做直方图均衡化，本质是想增强对比度，让细节更清楚。这其实只需要动亮度通道就够了。颜色通道保持不动，颜色就不会跑偏。

我在项目中遇到过一位同事，他图省事直接在RGB三个通道上分别调直方图，结果输出的人脸图像肤色发紫，客户直接拒收。从那以后，我每次做彩色增强，第一件事就是转YUV。

4.2 YUV与RGB的转换关系

OpenCV里用的YUV转换，其实跟电视广播标准里的YCrCb是一回事。转换公式很简单，但你不必死记硬背，OpenCV已经封装好了。

4.3 通道分离与合并

转成YUV之后，我们需要把三个通道拆开，单独操作Y通道。OpenCV提供了两个函数：

• cv.split()：把多通道图像拆成单通道列表。
• cv.merge()：把单通道列表合并回多通道图像。

这里有个坑，我曾经踩过。split出来的通道顺序是固定的：索引0是Y，索引1是U，索引2是V。合并的时候，顺序必须一致，否则颜色会乱套。

4.4 彩色均衡化实战

好了，理论说完了，咱们直接上代码。下面这个例子，我会把一张彩色图片读进来，转YUV，只对Y通道做均衡化，再合并转回BGR显示。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 读取彩色图像（BGR格式）
img_bgr = cv2.imread('color_photo.jpg')

# 2. 转换到YUV色彩空间
img_yuv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2YUV)

# 3. 分离通道
channels = cv2.split(img_yuv)
y_channel = channels[0]   # 亮度通道
u_channel = channels[1]   # 色度通道
v_channel = channels[2]   # 色度通道

# 4. 只对Y通道做直方图均衡化
y_eq = cv2.equalizeHist(y_channel)

# 5. 合并回YUV图像
img_yuv_eq = cv2.merge([y_eq, u_channel, v_channel])

# 6. 转回BGR显示
img_result = cv2.cvtColor(img_yuv_eq, cv2.COLOR_YUV2BGR)

# 7. 显示对比
plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB))
plt.title('原始图像')
plt.axis('off')

plt.subplot(1, 2, 2)
plt.imshow(cv2.cvtColor(img_result, cv2.COLOR_BGR2RGB))
plt.title('Y通道均衡化后')
plt.axis('off')
plt.show()

这段代码跑完之后，你会看到右边图像的对比度明显提升了，但颜色几乎没有变化。这就是YUV均衡化的魅力——只增强细节，不污染颜色。

4.5 知识结构图：彩色均衡化流程

下面这张图，我把整个流程串起来了。你一看就明白。

4.6 效果对比与参数分析

我拿一张偏暗的风景照做了测试，结果如下：

你看，Y通道的均值和标准差都提高了，说明对比度确实增强了。而U和V通道完全没变，颜色自然就保住了。

4.7 常见问题与避坑

• 颜色偏绿或偏紫：八成是split和merge的顺序搞反了。检查一下索引0是不是Y通道。
• 图像变灰：可能是你忘了把U和V通道传进去，只合并了Y通道。merge时一定要三个通道齐全。
• 效果不明显：如果原图本身对比度就很高，均衡化效果会有限。这时候可以考虑用直方图规定化，我们下一章会讲。

嗯，彩色图像均衡化其实就这么简单。核心就一句话：转YUV，只动Y，不动UV。记住这个口诀，你就能轻松搞定彩色图像的对比度增强。