3. 图像基础操作：像素操作、色彩空间转换与通道拆分合并

图像处理的第一步，说白了就是跟像素打交道。你想想看，一张图在计算机眼里是什么？就是一个巨大的数字矩阵。每个像素点就是一个数值，或者一组数值。我刚开始接触工业视觉时，总觉得这些基础操作太简单，结果在项目里吃过不少亏——比如色彩空间搞错了，检测结果全乱套。今天咱们就把这些基本功练扎实。

3.1 像素操作：图像的“原子”单位

在OpenCV里，图像默认以BGR顺序存储。这一点跟很多人的直觉相反——我们平时说的RGB，到了OpenCV就成了BGR。为什么？历史原因，早期相机硬件就是这么输出的。我个人习惯在代码开头就确认通道顺序，避免后面踩坑。

看个最简单的例子——读取并修改像素值：

import cv2
import numpy as np

# 读取一张图
img = cv2.imread('gear.jpg')

# 获取(100, 200)位置的BGR值
(b, g, r) = img[100, 200]
print(f'B:{b}, G:{g}, R:{r}')

# 修改该像素为红色（注意：BGR顺序）
img[100, 200] = (0, 0, 255)

# 批量操作：将左上角50x50区域设为绿色
img[0:50, 0:50] = (0, 255, 0)

我在项目中遇到过一个问题：用img[100, 200]取像素时，返回的是Python元组，速度很慢。如果要对整张图做像素级处理，一定要用NumPy的向量化操作，别写for循环。举个例子：

# 慢！别这么写
for i in range(img.shape[0]):
    for j in range(img.shape[1]):
        img[i, j] = img[i, j] * 0.5

# 快！向量化操作
img = (img * 0.5).astype(np.uint8)

3.2 色彩空间转换：BGR、RGB、HSV、灰度

色彩空间转换是工业视觉里最常用的操作之一。为什么需要转换？因为不同任务适合不同的色彩空间。比如做颜色识别，HSV比BGR好使十倍。

色彩空间	特点	工业应用场景
BGR	OpenCV默认格式，硬件输出顺序	图像读取、显示、保存
RGB	人眼习惯，显示器使用	与外部系统交互、可视化
HSV	色调(H)、饱和度(S)、明度(V)分离	颜色识别、物体分割、光照变化场景
灰度	单通道，亮度信息	边缘检测、模板匹配、降低计算量

转换代码很简单，但有个坑我必须说：

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

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

# BGR转RGB（用于matplotlib显示）
rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

HSV的H范围是0-179，不是0-359。很多人第一次用OpenCV的HSV时都会搞错——包括我。比如红色在HSV中分布在H=0附近和H=179附近，需要两个范围合并处理。

3.3 图像通道拆分与合并

有时候我们需要单独处理某个颜色通道。比如在PCB检测中，绿色通道往往包含最多的电路信息。拆分通道有两种方式：

# 方法一：cv2.split（慢，但直观）
b, g, r = cv2.split(img)

# 方法二：NumPy索引（快，推荐）
b = img[:, :, 0]
g = img[:, :, 1]
r = img[:, :, 2]

为什么推荐NumPy方式？cv2.split会创建三个新数组，占用额外内存。而NumPy索引返回的是视图（view），不复制数据。处理大图时，速度差距很明显。

合并通道同样简单：

# 用cv2.merge
merged = cv2.merge([b, g, r])

# 用NumPy
merged = np.stack([b, g, r], axis=2)

我曾经在项目中遇到一个诡异问题：用cv2.split拆分后修改了某个通道，再合并回去，发现原图没变。原因就是split返回的是副本，修改副本不影响原图。而NumPy索引返回的是视图，修改视图会直接改原图。这个区别很重要，你想想看——如果你只想处理某个通道而不影响原图，就得用copy()：

# 安全做法：先复制再修改
b_copy = img[:, :, 0].copy()
b_copy[b_copy < 100] = 0  # 修改副本，不影响原图

3.4 知识结构总览

下面这张图把本章的核心逻辑串起来了。从像素出发，到色彩空间转换，再到通道操作——这三步是工业视觉流水线的地基。

3.5 实战避坑清单

最后，我把这些年踩过的坑整理成一张清单。你写代码时对照着看，能省不少调试时间：

• 通道顺序： OpenCV默认BGR，用cv2.imread读图后别直接用matplotlib显示，会偏蓝。先转RGB。
• 数据类型： 像素操作后记得转np.uint8，否则cv2.imshow会显示异常。
• HSV范围： H是0-179，S和V是0-255。用cv2.inRange做阈值时别搞错。
• 性能： 批量像素操作永远用NumPy向量化，别写Python循环。一张1920x1080的图，向量化比循环快100倍以上。
• 内存： cv2.split会复制数据，处理大图时小心内存暴涨。用NumPy索引代替。