3. 颜色空间基础

颜色空间是机器视觉处理中绕不开的基础概念。在OpenMV颜色识别项目中，阈值分割和Blob检测的准确性，很大程度上取决于你对颜色空间的理解深度。许多初学者在调试时发现“阈值调不准”“识别不稳定”，根源往往不是代码问题，而是对颜色模型的选择和表示方式缺乏系统认知。本章将围绕RGB、LAB、YUV三种颜色模型展开对比，并重点讲解OpenMV中如何用LAB颜色空间进行阈值设定与颜色表示。

上图展示了三种颜色模型在OpenMV视觉识别链路中的定位与关系。RGB是传感器原始输出格式，LAB是OpenMV推荐的阈值分割空间，YUV则是OpenMV内部图像存储的默认格式。理解这三者之间的转换逻辑，是掌握OpenMV颜色识别的基础。

3.1 核心原理：三种颜色模型的本质与数学基础

RGB颜色模型是最贴近硬件采集原理的模型。CMOS传感器通过滤色阵列（Bayer Pattern）获取红、绿、蓝三个通道的强度值，每个通道通常用8位表示，范围0-255。RGB模型采用加法混色原理，三个通道相互叠加形成最终颜色。然而，RGB模型存在两个致命缺陷：第一，三个通道高度相关，当光照强度变化时，R、G、B三个值会同时发生非线性变化，导致同一物体在不同光照下呈现完全不同的RGB数值；第二，RGB空间不是感知均匀的，即数值上的欧氏距离与人眼感知的颜色差异不成正比。例如，深蓝色（0,0,100）和深红色（100,0,0）之间的欧氏距离与浅蓝色（100,100,200）和浅绿色（100,200,100）之间的欧氏距离相同，但人眼感知的差异却完全不同。

LAB颜色模型由国际照明委员会（CIE）于1976年制定，其设计目标就是解决RGB的感知均匀性问题。LAB空间包含三个分量：L表示亮度（Lightness），范围0-100，0为纯黑，100为纯白；A表示从绿色到红色的色度坐标，范围-128到127；B表示从蓝色到黄色的色度坐标，范围同样为-128到127。LAB空间的关键优势在于：亮度通道L与色度通道A、B完全分离，这意味着在阈值分割时，可以独立调整亮度范围而不影响色度判断。此外，LAB空间的欧氏距离与人眼感知的颜色差异高度一致，这使得阈值设定具有明确的物理意义。

YUV颜色模型起源于模拟电视广播系统，其核心思想是将亮度信息（Y）与色度信息（U、V）分离。Y分量表示亮度，U和V分量表示色差信号。YUV模型在视频压缩和传输中具有显著优势，因为人眼对亮度变化比对色度变化更敏感，因此可以对色度通道进行下采样而不影响主观画质。OpenMV的摄像头模块（如OV7725）在硬件层面直接输出YUV422格式的数据，这意味着OpenMV内部存储的图像本质上是YUV格式，只有在执行特定算法时才转换为其他颜色空间。

3.2 判断方法与操作流程：OpenMV中颜色阈值设定步骤

在OpenMV中，颜色阈值设定遵循一套标准化的操作流程。首先需要明确一个核心概念：OpenMV的thresholds参数是一个六元组(L_min, L_max, A_min, A_max, B_min, B_max)，分别对应LAB空间中L、A、B三个通道的最小值和最大值。当图像中某个像素的LAB值同时落在六个范围内时，该像素被判定为目标颜色。

实际操作中，推荐使用OpenMV IDE自带的阈值编辑器（Tools → Threshold Editor）进行可视化调试。该工具可以实时显示摄像头画面的LAB分量分布，并允许通过滑动条调整六个阈值参数。具体操作流程如下：

1. 连接OpenMV摄像头，打开阈值编辑器，确保画面中有目标物体且光照条件与最终应用场景一致。
2. 在编辑器中选择LAB颜色空间，观察目标物体在L、A、B三个通道的直方图分布。
3. 分别调整L_min/L_max、A_min/A_max、B_min/B_max，使目标物体在二值化预览中显示为白色，背景显示为黑色。
4. 记录最终的六元组数值，将其填入代码中的sensor.set_pixformat()和img.find_blobs()调用中。

一个常见的误区是直接使用RGB阈值进行分割。虽然OpenMV的find_blobs()函数也支持RGB阈值，但RGB空间对光照变化极其敏感。例如，一个红色球体在强光下RGB值可能为(200,50,50)，在弱光下可能变为(100,25,25)，虽然比例关系保持不变，但数值差异巨大，导致固定阈值无法同时覆盖两种光照条件。而LAB空间中，A通道（红绿色度）在光照变化时相对稳定，只需适当放宽L通道范围即可实现鲁棒识别。

3.3 案例拆解：红色小球识别中的颜色空间选择

假设我们需要在OpenMV上实现一个红色小球的识别与追踪系统。项目约束条件为：摄像头固定安装，环境为室内自然光，光照强度在一天内有明显变化（上午阳光直射、下午阴天），小球表面为哑光材质，背景为白色桌面。

初始现象：使用RGB阈值进行分割时，上午阳光直射下小球识别正常，但下午阴天时小球完全无法识别。通过阈值编辑器观察发现，上午小球的RGB值约为(220,60,50)，下午变为(140,40,35)，两个时刻的RGB数值差异巨大，固定阈值无法同时覆盖。

分析判断过程：将图像转换到LAB空间后，发现小球的A通道值在上午和下午分别为(45,50)和(42,48)，差异很小；B通道值分别为(35,40)和(33,38)，同样稳定。而L通道值从上午的(55,60)变化到下午的(35,40)，差异明显。这说明LAB空间成功将光照变化的影响隔离在L通道中，而色度通道A和B保持了良好的稳定性。

实际操作步骤：

import sensor, image, time

# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565)  # 使用RGB565格式
sensor.set_framesize(sensor.QVGA)    # 320x240分辨率
sensor.skip_frames(time=2000)

# 设定LAB阈值：L范围放宽，A/B范围收紧
red_threshold = (30, 65, 35, 55, 25, 45)

while True:
    img = sensor.snapshot()
    blobs = img.find_blobs([red_threshold], pixels_threshold=200, area_threshold=200)
    for blob in blobs:
        img.draw_rectangle(blob.rect(), color=(0, 255, 0))
        img.draw_cross(blob.cx(), blob.cy(), color=(0, 255, 0))

结果对比：改用LAB阈值后，上午和下午均能稳定识别小球。进一步测试发现，即使将小球移到窗边（光照强度骤变），识别依然正常。而使用RGB阈值时，误识别率从上午的5%上升到下午的60%以上。

风险与代价：LAB阈值虽然抗光照干扰能力强，但A和B通道的范围如果设置过窄，可能导致同色系但不同深浅的物体被漏识别。例如，深红色和浅红色在A通道上数值接近，但L通道差异较大，如果L范围过窄，可能只能识别其中一种。因此，在实际项目中需要根据目标物体的颜色分布特性，合理权衡L通道的宽容度。

3.4 常见误区与总结复盘

误区一：直接使用RGB阈值。许多初学者从OpenCV或MATLAB转过来，习惯使用RGB阈值。但在OpenMV中，由于摄像头硬件输出YUV格式，RGB阈值需要额外的颜色空间转换，且RGB空间对光照敏感，导致阈值设定困难。正确做法是始终使用LAB空间。

误区二：忽略YUV格式的存在。OpenMV的sensor.set_pixformat()支持RGB565、GRAYSCALE、YUV422等格式。当设置为RGB565时，OpenMV内部会自动将YUV数据转换为RGB；当设置为YUV422时，图像数据直接以YUV格式存储。如果后续使用find_blobs()，OpenMV会自动将图像转换为LAB空间进行计算，但转换过程会消耗额外的CPU时间。因此，在性能敏感的应用中，可以考虑直接使用YUV格式并手动提取Y通道进行亮度相关的检测。

误区三：阈值设定过于理想化。在阈值编辑器中设定的阈值，往往是在特定光照条件下获得的。实际应用中，光照变化、物体表面反光、阴影等因素都会影响阈值效果。建议在设定阈值时，采集多个光照条件下的样本图像，取各通道数值的并集作为最终阈值范围。

误区四：忽视颜色空间的转换代价。虽然LAB空间在阈值分割中表现优异，但RGB到LAB的转换是非线性的，涉及多个数学运算。在OpenMV上，每帧图像的颜色空间转换会消耗约5-10ms的CPU时间。如果项目对帧率有严格要求（如>30fps），可以考虑降低分辨率或使用GRAYSCALE格式进行简单检测。