4、图像预处理基础（下）：色彩空间转换、直方图均衡化、Gamma校正

上一节我们聊了聊图像缩放和滤波，那些操作基本不改变像素的“颜色”含义。但这一节不一样——我们要动真格的了。

色彩空间转换、直方图均衡化、Gamma校正，这三板斧在嵌入式视觉部署里几乎天天见。我最早在ARM Cortex-A7上做车牌识别时，就吃过色彩空间没选对的亏。嗯，今天咱们就把这些坑一个个填上。

4.1 色彩空间转换：从RGB说起

摄像头出来的原始数据，绝大多数是RGB格式。但RGB有个毛病——它对亮度变化太敏感，而且三个通道相关性高，不适合做后续分析。

所以我们要转。转成什么？看场景。

4.1.1 RGB转灰度

最常用的转换，没有之一。为什么？因为很多算法根本不需要颜色信息，比如边缘检测、轮廓提取、二值化。你想想看，一个640×480的彩色图，三个通道就是921KB；转成灰度，直接省掉2/3的内存。在嵌入式设备上，这省下来的可能就是帧率从15fps提到30fps的关键。

灰度转换不是简单的(R+G+B)/3。人眼对绿色最敏感，对蓝色最迟钝。所以标准公式是：

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

我个人习惯在嵌入式平台上用整数近似，避免浮点运算：

Gray = (77 × R + 150 × G + 29 × B) >> 8

这个移位操作比浮点乘法快一个数量级。我在STM32H7上实测过，处理一帧VGA图像，整数版本比浮点版本快了约3.2ms。

4.1.2 RGB转YUV

YUV是视频编码和ISP管线里的常客。Y是亮度分量，U和V是色度分量。为什么视频压缩喜欢YUV？因为人眼对亮度细节敏感，对颜色细节不敏感——你可以把UV分量压缩到更低的分辨率，人眼看不出区别。

转换公式（BT.601标准）：

Y  =  0.299 × R + 0.587 × G + 0.114 × B
U  = -0.147 × R - 0.289 × G + 0.436 × B + 128
V  =  0.615 × R - 0.515 × G - 0.100 × B + 128

我在项目中遇到过一个问题：直接从摄像头读到的YUV数据，显示出来颜色偏绿。查了半天，发现是U和V的顺序搞反了——有的传感器输出YUYV，有的输出YVYU。这个坑，踩过一次就记住了。

4.2 直方图均衡化

说白了，就是把图像的灰度分布“拉平”。如果一张图整体偏暗，直方图都挤在低灰度区；偏亮就挤在高灰度区。均衡化就是把这些像素重新分配，让它们均匀分布在0~255之间。

效果很直观：对比度提升，细节变明显。我在做夜间车牌识别时，直方图均衡化几乎是必做的一步。

4.2.1 算法原理

步骤不复杂：

1. 统计每个灰度级的像素个数（直方图）
2. 计算累积分布函数（CDF）
3. 用CDF映射原始灰度到新灰度

映射公式：

new_gray = round( (CDF(gray) - CDF_min) / (N - CDF_min) × 255 )

其中N是总像素数，CDF_min是第一个非零累积值。

4.2.2 嵌入式实现要点

直方图均衡化在PC上跑很简单，但在嵌入式设备上要注意几点：

• 内存占用： 256个int的数组，才1KB，没问题
• 计算量： 两遍遍历图像（一遍统计，一遍映射），O(n)复杂度
• 查表加速： 映射关系可以预计算成256字节的查找表

// 嵌入式C实现片段
uint8_t lut[256];
uint32_t hist[256] = {0};
uint32_t cdf[256] = {0};
uint32_t total = width * height;

// 第一步：统计直方图
for (int i = 0; i < total; i++) {
    hist[src[i]]++;
}

// 第二步：计算CDF
cdf[0] = hist[0];
for (int i = 1; i < 256; i++) {
    cdf[i] = cdf[i-1] + hist[i];
}

// 第三步：生成查找表
uint32_t cdf_min = 0;
for (int i = 0; i < 256; i++) {
    if (cdf[i] != 0) { cdf_min = cdf[i]; break; }
}
for (int i = 0; i < 256; i++) {
    lut[i] = (uint8_t)((cdf[i] - cdf_min) * 255 / (total - cdf_min));
}

// 第四步：查表映射
for (int i = 0; i < total; i++) {
    dst[i] = lut[src[i]];
}

4.3 Gamma校正

Gamma校正解决的是“显示非线性”问题。人眼对暗部的变化比亮部敏感，但显示器的亮度响应是线性的。所以需要对图像做非线性映射，让显示效果更自然。

公式很简单：

out = 255 × (in / 255) ^ (1 / gamma)

gamma值通常取2.2。小于1时图像变亮，大于1时变暗。

4.3.1 什么时候用Gamma校正？

• 显示优化： 图像在LCD/OLED上显示偏暗时，调低gamma值
• 预处理： 某些特征提取算法（如SIFT、SURF）对光照敏感，Gamma校正可以归一化光照
• 低光照增强： 夜间图像用gamma=0.5~0.7，能明显提亮暗部

4.3.2 嵌入式优化

浮点幂运算在MCU上很慢。我一般用查表法：

// 预计算256级gamma查找表
float gamma = 0.5f;  // 提亮
uint8_t gamma_lut[256];
for (int i = 0; i < 256; i++) {
    gamma_lut[i] = (uint8_t)(255.0f * powf(i / 255.0f, 1.0f / gamma));
}

// 运行时直接查表
for (int i = 0; i < total; i++) {
    dst[i] = gamma_lut[src[i]];
}

查表法把每次像素处理从几十个周期降到了几个周期。我在ESP32-S3上做过测试，查表法处理320×240图像只需要0.8ms，而浮点幂运算需要12ms——差了15倍。

4.4 本章知识结构

下面这张图把三个核心知识点串起来了。你可以看到它们在嵌入式视觉流水线中的位置和关系。

4.5 小结

这一节的内容，说白了就是三件事：

• 色彩空间转换： 把RGB变成更适合处理的形式。灰度省内存，YUV方便压缩
• 直方图均衡化： 拉平灰度分布，提升对比度。注意先降噪再均衡
• Gamma校正： 非线性映射，补偿人眼感知。查表法是嵌入式标配

这三个操作在嵌入式视觉流水线里几乎天天用。我建议你在自己的开发板上把代码跑一遍，看看不同参数对实际图像的影响。只有亲手调过gamma值、看过均衡化前后的直方图变化，才能真正理解这些算法的脾气。