图像基础与色彩空间：RGB、HSV、LAB 与直方图

做图像增强，说白了就是跟像素打交道。但像素本身不会告诉你「这张图偏黄了」或者「暗部细节丢了」。你得先理解色彩空间，才能用算法去操控颜色。

我个人习惯把色彩空间比作「语言的方言」。RGB 是普通话，大家都懂；HSV 更像是一种「描述性语言」——你说「这个红色有点淡」，HSV 里直接对应饱和度。而 LAB 呢？它更像数学家的语言，专门用来算「两种颜色差多少」。

这一章，咱们就把这些基础打牢。嗯，别嫌枯燥，后面所有调优技巧都从这里长出来。

RGB 色彩空间：最直观，也最不直观

RGB 就是红绿蓝三个通道。每个像素存三个值，范围 0-255。显示器、相机、手机屏幕，全是 RGB 的天下。

但 RGB 有个大问题：它跟人眼感知不匹配。你想想看，把 R 从 100 加到 150，人眼感觉到的「亮度变化」和「颜色变化」是混在一起的。你在 RGB 里调色，经常是「调了红色，整张图变亮了」——这在图像增强里很要命。

核心认知： RGB 适合存储和显示，不适合做「感知均匀」的调优操作。

我在项目中遇到过一件事：用 RGB 直方图做对比度拉伸，结果天空从浅蓝变成了青绿，人脸也偏紫了。为什么？因为三个通道独立拉伸，破坏了原有的色彩比例。后来我改用 LAB 或 HSV 做亮度调整，问题就解决了。

HSV 色彩空间：把颜色「拆开」讲

HSV 把颜色拆成三个维度：

  • H（Hue，色调）：0°-360°，决定是红、绿还是蓝。
  • S（Saturation，饱和度）：0-1，颜色浓不浓。
  • V（Value，明度）：0-1，亮不亮。

你看，这三个东西是解耦的。你想让图片更亮，只动 V 通道就行，H 和 S 不变。你想让颜色更鲜艳，只调 S。这在图像增强里太方便了。

我的习惯： 做低光照增强时，我通常先转 HSV，只对 V 通道做直方图均衡化或伽马校正，然后转回 RGB。这样能避免颜色漂移。

转换公式其实不复杂，但手写容易出错。我建议你直接用 OpenCV 的 cv2.cvtColor，参数选 cv2.COLOR_RGB2HSV。不过要注意：OpenCV 里 H 的范围是 0-179，不是 0-360，因为用 uint8 存不下 360。

import cv2
import numpy as np

# 读取图像（BGR 格式）
img = cv2.imread('photo.jpg')

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

# 只对 V 通道做直方图均衡化
hsv[:,:,2] = cv2.equalizeHist(hsv[:,:,2])

# 转回 BGR
result = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)
注意： 不要对 H 通道做平滑或均衡化！H 是环形数据（0°和 360°是同一个颜色），直接做均值滤波会产生伪影。我曾经踩过这个坑，结果图像里出现了诡异的彩色条纹。

LAB 色彩空间：人眼说了算

LAB 是 CIE 组织根据人眼视觉特性设计的。它有三个通道：

  • L（Lightness，亮度）：0-100，纯黑到纯白。
  • A（绿到红）：-128 到 127。
  • B（蓝到黄）：-128 到 127。

LAB 最大的特点是：欧氏距离 ≈ 人眼感知的颜色差异。你在 LAB 空间里算两个像素的差，基本等于人眼觉得「这两个颜色像不像」。这在图像质量评估、色彩迁移、去雾算法里是标配。

我记得有一次做去雾算法调优，用 RGB 算对比度总是跟主观感受对不上。换成 LAB 的 L 通道算对比度，相关性一下子就上去了。说白了，RGB 是给机器看的，LAB 是给人看的。

色彩空间 适用场景 不适合场景
RGB 显示、存储、CNN 输入 感知均匀的调优操作
HSV 颜色增强、低光照、肤色检测 需要精确色差计算的场景
LAB 去雾、色彩迁移、质量评估 实时性要求极高的场景（转换略慢）

直方图：图像的「体检报告」

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），纵轴是频数。一张曝光正常的图，直方图应该中间高、两边低，像一座山。

你想想看，如果直方图左边堆得老高，说明暗部细节挤在一起，图太暗。右边堆得高，图太亮。中间有缺口，说明对比度不够，图像发灰。

直方图在图像增强里有两个核心用途：

  1. 诊断问题：看一眼直方图，就知道这张图是欠曝、过曝还是低对比度。
  2. 指导操作：直方图均衡化就是把像素值重新分布，让直方图更「平」，从而提升对比度。
一句话总结： 直方图是图像增强的「听诊器」。不看直方图就调参数，等于闭着眼睛修图。

但直方图均衡化有个副作用：它会让噪声更明显。为什么？因为均衡化会拉伸像素值的间距，噪声也被放大了。我建议你在做均衡化之前，先做一次轻度去噪，比如高斯滤波或中值滤波。

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

# 直方图均衡化
equalized = cv2.equalizeHist(img)

# 自适应直方图均衡化（CLAHE）—— 推荐
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
clahe_result = clahe.apply(img)
避坑指南： 我曾经在医疗影像项目里直接用全局直方图均衡化，结果把背景噪声放大成了「伪病灶」。后来换成 CLAHE（对比度受限自适应直方图均衡化），限制每个局部区域的对比度拉伸幅度，效果就好多了。clipLimit 参数我一般从 2.0 开始调，太大容易过增强。

色彩空间与直方图的联动

你可以在不同色彩空间里看直方图，得到的信息完全不同：

  • RGB 直方图：三个通道各自分布，能看出偏色（比如蓝色通道整体右移，说明偏蓝）。
  • HSV 的 V 通道直方图：只看亮度分布，适合做亮度调整。
  • LAB 的 L 通道直方图：更接近人眼感知的亮度分布，适合做感知均匀的对比度调整。

我个人习惯是：先看 RGB 直方图判断偏色，再看 V 通道直方图判断亮度分布，最后用 L 通道做精细调整。三步走，基本不会漏问题。

图像增强色彩空间选择流程 输入图像（RGB） 诊断：看 RGB 直方图判断偏色 转 HSV，调 V 通道 转 LAB，调 L 通道 CLAHE / 伽马校正 去雾 / 色彩迁移 输出增强图像 💡 核心原则 先诊断，再选空间，最后调参数

本章小结

RGB、HSV、LAB 三个色彩空间，各有各的脾气。RGB 是基础，但别用它做感知调优。HSV 把亮度和颜色拆开了，适合做增强。LAB 最接近人眼，适合做精细调整和质量评估。

直方图是图像增强的「仪表盘」。学会看直方图，你就能快速判断一张图的问题出在哪。再结合色彩空间转换，你就能精准地只调整「该调的部分」，不碰「不该动的地方」。

← 上一章 📖 返回目录 下一章 →