第三章 色彩空间与色彩理论：RGB、HSV、Lab 详解
做暗光增强，说白了就是在跟像素值打交道。但像素值本身并不直观——你盯着一个 RGB 三元组 (12, 45, 78)，能想象出它是什么颜色吗？反正我不能。
所以这一章，我们来聊聊色彩空间。我个人的经验是：选对色彩空间，后续的增强工作能省一半力气。
3.1 RGB 色彩空间：最熟悉的陌生人
RGB 是硬件最爱的颜色表达方式。显示器、摄像头、图像传感器，底层全是 RGB。它用红、绿、蓝三个通道的强度来混合颜色，每个通道通常 0-255（8 位）。
但 RGB 有个大问题：通道之间高度相关。你调整亮度，三个通道一起变；你调色温，三个通道也跟着一起变。这在暗光增强里非常头疼——你很难单独控制「亮度」和「颜色」。
核心认知：RGB 适合存储和显示，但不适合图像处理。尤其是暗光场景，RGB 三个通道的信噪比差异巨大，直接处理容易放大噪声。
我记得有一次做夜景视频增强，直接在 RGB 空间做直方图均衡化，结果绿色通道的噪声被放大了三倍，画面一片花绿。后来我学乖了——先转色彩空间，再动手。
3.2 HSV 色彩空间：把颜色拆开看
HSV 把颜色拆成三个独立分量：
- H（Hue，色调）：0°-360°，描述是什么颜色（红、绿、蓝等）
- S（Saturation，饱和度）：0-1，描述颜色有多纯
- V（Value，明度）：0-1，描述颜色有多亮
为什么 HSV 好用？因为 V 通道独立于 H 和 S。你调整亮度，不会改变颜色本身。这在暗光增强里简直是救命特性。
我的习惯：做暗光增强时，先转 HSV，只对 V 通道做亮度提升和对比度调整，H 和 S 通道保持不动或只做轻微去噪。这样能最大程度保留原始色彩。
但 HSV 也有坑。H 通道是角度值，0° 和 360° 其实是同一个颜色。做直方图操作时如果不做环形处理，会出现颜色跳变。我曾经因为这个 bug 调试了一整天——画面里红色区域突然变成紫色，找了好久才发现是 H 通道的边界问题。
3.3 Lab 色彩空间：人眼视角的终极方案
Lab 是 CIE 制定的色彩空间，目标是感知均匀——两个颜色在 Lab 空间里的欧氏距离，大致等于人眼感知到的颜色差异。
- L（Lightness，亮度）：0-100，纯黑到纯白
- a（绿-红轴）：负值偏绿，正值偏红
- b（蓝-黄轴）：负值偏蓝，正值偏黄
Lab 最大的优势是：L 通道完全独立于 a、b 通道。你可以在 L 通道上做任何亮度调整，a、b 通道纹丝不动。而且 Lab 的色域比 RGB 大得多，能覆盖所有人眼可见的颜色。
注意：Lab 空间不是线性空间。从 RGB 转到 Lab 需要经过 XYZ 中间空间，而且转换公式里包含非线性变换。代码实现时要注意数值范围，尤其是 L 通道的 0-100 和 a、b 通道的 -128~127 之间的映射关系。
我个人在色彩重建任务中，90% 的情况都用 Lab 空间。尤其是做色彩校正和色温调整时，在 a、b 通道上操作比在 RGB 上直接调三个通道要直观得多。
3.4 色温与白平衡：让白色回归白色
色温这个概念，说白了就是光源的颜色倾向。低色温（2000K-3000K）偏黄，像蜡烛光；高色温（6000K-8000K）偏蓝，像阴天的天空。
暗光场景下，光源色温往往不稳定。路灯可能是 2700K 的暖黄光，月光可能是 4100K 的冷白光。如果不做白平衡校正，整张照片会偏色严重。
白平衡的核心目标：找到场景中应该是白色的区域，然后调整 R、G、B 通道的增益，让这个区域变成纯白（R=G=B）。
常用的白平衡方法：
| 方法 | 原理 | 适用场景 | 缺点 |
|---|---|---|---|
| 灰度世界法 | 假设场景平均颜色为灰色 | 色彩丰富的场景 | 大块单色场景会失效 |
| 完美反射法 | 假设最亮像素为白色 | 有高光区域的场景 | 无高光时效果差 |
| 色温估计法 | 根据统计模型估计色温 | 已知光源类型 | 需要先验知识 |
| 学习法（CNN） | 用神经网络预测白平衡参数 | 复杂混合光源 | 需要大量标注数据 |
避坑指南：我曾经在夜景视频里用灰度世界法做白平衡，结果因为画面大部分是黑色天空，算法把黑色当成了灰色，整段视频偏红得没法看。后来我加了前景检测，只对前景区域做白平衡估计，效果就好多了。
3.5 色彩重建的目标与评价指标
色彩重建，就是让增强后的图像颜色尽可能接近真实场景的颜色。但「真实」本身很难定义——暗光下我们根本看不清真实颜色是什么。
所以评价指标就很重要了。常用的有三个：
PSNR（峰值信噪比）
衡量像素级别的重建误差。值越大越好，通常 30dB 以上算不错。
PSNR = 10 * log10(MAX² / MSE)其中 MAX 是像素最大值（255），MSE 是均方误差。
PSNR 的局限：它只关心像素值是否接近，不关心人眼看起来是否舒服。有时候 PSNR 很高，但画面看起来就是怪怪的。我见过 PSNR 38dB 但颜色完全偏掉的案例。
SSIM（结构相似性）
从亮度、对比度、结构三个维度比较两幅图像的相似度。值在 0-1 之间，越接近 1 越好。
SSIM(x, y) = [l(x,y)]^α · [c(x,y)]^β · [s(x,y)]^γSSIM 比 PSNR 更贴近人眼感知，但计算量也更大。
Delta E（色差）
在 Lab 空间里计算两个颜色的欧氏距离。Delta E 越小，颜色越接近。
ΔE = √[(L₁-L₂)² + (a₁-a₂)² + (b₁-b₂)²]人眼能感知的最小色差大约是 Delta E = 1。Delta E < 3 通常认为颜色重建合格。
| 指标 | 范围 | 关注点 | 暗光场景下的表现 |
|---|---|---|---|
| PSNR | 0-∞ (dB) | 像素级误差 | 噪声敏感，容易偏低 |
| SSIM | 0-1 | 结构相似性 | 对亮度变化不敏感，更稳定 |
| Delta E | 0-∞ | 颜色差异 | 最能反映偏色问题 |
我的建议：做色彩重建评估时，三个指标一起看。PSNR 看整体误差，SSIM 看结构保留，Delta E 看颜色准确度。如果 PSNR 高但 Delta E 也高，说明图像虽然像素接近但颜色偏了——这种情况在暗光增强里很常见。
3.6 本章知识体系
下面这张图总结了三个色彩空间的关系、白平衡的作用以及评价指标的定位。你可以把它当作本章的思维导图。
嗯，这张图把本章的核心脉络串起来了。你从 RGB 出发，可以转到 HSV 或 Lab 做处理，然后做白平衡校正，最后用三个指标来评估效果。每一步都有对应的工具和方法。