3. 图像基础与色彩空间：像素、分辨率与颜色模型

做工业视觉这几年，我最大的感触就是：图像的本质，其实就是一堆数字。你想想看，相机拍到的每一张图，在计算机眼里不过是一个巨大的矩阵。今天这一章，我们就来彻底搞懂这些数字到底代表什么，以及怎么在RGB、HSV、GRAY这些色彩空间之间来回切换。

3.1 像素与分辨率：图像的“原子”和“画布尺寸”

像素（Pixel）是图像的最小单元。每个像素就是一个“小方块”，里面存着颜色信息。分辨率呢，就是这张图有多少行、多少列像素。比如1920×1080，意思是有1920列、1080行。

核心公式：

  • 总像素数 = 宽 × 高（单位：像素）
  • 图像尺寸（字节） = 宽 × 高 × 通道数（单位：字节）
  • 物理尺寸（mm） = 像素数 × 像元尺寸（μm/像素）

我在项目中遇到过一个问题：客户说他们的产品尺寸是10mm，要求检测精度0.05mm。我算了一下，10 / 0.05 = 200，理论上200像素就够了。但实际我选了500万像素的相机。为什么？因为还要考虑边缘模糊、光照不均匀、算法鲁棒性。说白了，理论值只是下限，工程上至少要留2~3倍余量。

分辨率 总像素数 典型应用场景
640×480 (VGA) 30万 低端定位、条码识别
1280×1024 130万 通用检测、尺寸测量
1920×1080 (FHD) 200万 表面缺陷检测
2448×2048 500万 高精度测量、小缺陷检测
4096×2160 880万 大视野高精度、晶圆检测

避坑指南：我曾经在一个项目中选了2000万像素的相机，结果发现处理速度根本跟不上。分辨率越高，数据量越大，处理时间越长。工业现场往往要求实时性，不要盲目追求高分辨率，够用就好。

3.2 色彩空间：RGB、HSV、GRAY

色彩空间，说白了就是“用哪套规则来描述颜色”。不同的任务，适合不同的规则。

3.2.1 GRAY（灰度图）

灰度图每个像素只有一个值，范围0~255。0是纯黑，255是纯白。工业视觉中，大部分算法第一步就是把彩色图转成灰度图。为什么？因为数据量直接减少到1/3，而且很多特征（边缘、纹理）在灰度图上就足够明显了。

转换公式很简单：

Gray = 0.299 × R + 0.587 × G + 0.114 × B

注意这个权重。人眼对绿色最敏感，对蓝色最不敏感。所以绿色通道权重最高。我见过有人直接用(R+G+B)/3做平均，结果图像看起来灰蒙蒙的，细节丢失严重。嗯，这里要注意：不要偷懒用平均法，除非你明确知道自己在做什么。

3.2.2 RGB（红绿蓝）

RGB是最常见的色彩空间。每个像素3个通道，每个通道0~255。显示器、相机传感器，基本都是RGB的。

但RGB有个问题：它不适合做颜色识别。为什么？因为RGB的三个通道高度相关。光照一变，R、G、B三个值一起变，你很难判断到底是颜色变了还是亮度变了。

我的经验：在工业现场做颜色分类时，我几乎不用RGB。光照稍微偏一点，同一个红色在RGB空间里可能差出50个数值。这时候就需要HSV出场了。

3.2.3 HSV（色相、饱和度、明度）

HSV把颜色拆成三个更“直观”的分量：

  • H（Hue，色相）：0°~360°，代表是什么颜色。红色0°，绿色120°，蓝色240°。
  • S（Saturation，饱和度）：0~1，代表颜色有多纯。0是灰色，1是纯色。
  • V（Value，明度）：0~1，代表亮度。0是黑色，1是最亮。

HSV最大的好处是：H通道对光照变化不敏感。你只需要设定一个H的范围，就能稳定地识别某种颜色。我在做PCB板上的电阻色环识别时，就是靠HSV的H通道来区分不同阻值的。

RGB转HSV的代码实现：

import cv2
import numpy as np

# 读取图像
img_bgr = cv2.imread('sample.jpg')

# BGR转HSV（OpenCV默认是BGR顺序）
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

# 提取H通道
h_channel = img_hsv[:, :, 0]

# 设定红色范围（H: 0~10 和 170~180）
lower_red1 = np.array([0, 50, 50])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 50, 50])
upper_red2 = np.array([180, 255, 255])

# 生成掩码
mask1 = cv2.inRange(img_hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(img_hsv, lower_red2, upper_red2)
mask = cv2.bitwise_or(mask1, mask2)

# 提取红色区域
result = cv2.bitwise_and(img_bgr, img_bgr, mask=mask)

注意：OpenCV中HSV的H范围是0~180（不是0~360），S和V是0~255（不是0~1）。这是为了用uint8存储。很多新手在这里翻车，我当年也踩过这个坑。

3.3 直方图分析：图像的“统计报告”

直方图就是统计每个像素值出现了多少次。横轴是像素值（0~255），纵轴是出现次数。一张图好不好，看直方图就能知道个大概。

3.3.1 直方图能告诉我们什么？

  • 曝光是否正常：像素集中在左侧（暗部）说明欠曝，集中在右侧（亮部）说明过曝。
  • 对比度高低：直方图分布越宽，对比度越高；越窄，图像越“灰”。
  • 是否有过曝/欠曝区域：如果0或255处有很高的峰值，说明有大量纯黑或纯白区域，细节丢失了。

绘制直方图的代码：

import cv2
import matplotlib.pyplot as plt

# 读取灰度图
img_gray = cv2.imread('sample.jpg', cv2.IMREAD_GRAYSCALE)

# 计算直方图
hist = cv2.calcHist([img_gray], [0], None, [256], [0, 256])

# 绘制
plt.figure(figsize=(10, 4))
plt.plot(hist, color='black')
plt.title('Grayscale Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.grid(True)
plt.show()

3.3.2 直方图均衡化：让图像“舒展”开

如果直方图集中在一个小范围，图像看起来就灰蒙蒙的。直方图均衡化就是把这个分布“拉平”，让像素值均匀分布在整个0~255区间。

# 直方图均衡化
img_equalized = cv2.equalizeHist(img_gray)

# 对比效果
cv2.imshow('Original', img_gray)
cv2.imshow('Equalized', img_equalized)
cv2.waitKey(0)

实战技巧：在工业检测中，如果光照不均匀，可以先做直方图均衡化再处理。但要注意：均衡化会改变图像的亮度关系。如果你要做精确的灰度测量（比如判断某个区域是否达到特定灰度值），就不要用均衡化。

3.4 知识体系总览

下面这张图把本章的核心知识点串起来了。你可以把它当作一个快速索引：

图像基础与色彩空间知识体系 图像基础与色彩空间知识体系 图像基础 像素与分辨率 色彩空间 直方图分析 像素定义 分辨率计算 像元尺寸 视野与精度 GRAY RGB HSV 曝光判断 对比度分析 直方图均衡化 阈值选取 核心要点 1. 像素是图像的最小单元，分辨率决定细节能力 2. GRAY用于形状分析，HSV用于颜色识别，RGB用于显示 3. 直方图是图像质量的“体检报告”，均衡化可改善对比度 4. 工业现场优先考虑处理速度，不要盲目追求高分辨率

3.5 本章小结

这一章我们聊了三件事：

  1. 像素与分辨率：搞清楚图像的基本单位，学会根据检测精度反推需要的分辨率。
  2. 色彩空间转换：GRAY省数据、RGB适合显示、HSV适合颜色识别。选对色彩空间，事半功倍。
  3. 直方图分析：用统计的眼光看图像，快速判断曝光和对比度问题。

说实话，这些基础概念看起来简单，但我在实际项目中见过太多因为色彩空间选错、分辨率算错而翻车的案例。嗯，基础打牢了，后面讲图像预处理和模型训练的时候，你才能游刃有余。

← 上一章 📖 返回目录 下一章 →