0. 前言

本文深入探讨了三种常见色彩空间：RGB/BGR、HSV 与 CIELAB，并介绍了 OpenCV 中色彩空间转换的方法与原理 。在 HSV 与 Lab 空间部分，演示了如何利用 HSV 进行色彩分割，以及使用 Lab 空间进行颜色校正与色差分析。最后，展示了如何使用 cv2.calcHist 计算颜色直方图，并结合 Matplotlib 对 BGR 通道直方图进行可视化分析，以支持图像增强和基于颜色的检索任务 。

1. RGB/BGR 色彩空间

OpenCV 默认采用 BGR 排序，而非 RGB，这一设计最早源自 Windows BMP 格式的习惯，字节流自然排成 BGR 顺序。在内存中，图像以行主序 (row-major) 方式存储，每个像素的三个通道连续排列。
由于 BGR 与 RGB 仅是通道顺序的差异，任何基于 NumPy 的切片和向量化操作都能以零拷贝方式高效实现格式转换，这也解释了为何 cv2.cvtColor 基于对内存指针的重解释而非像素重排 。
OpenCV 与其他使用 RGB 顺序的库(如 Matplotlib )协同使用时，需要显式执行 cv2.COLOR_BGR2RGB 转换，避免色彩失真与输入格式不匹配的问题。
对于含透明通道 (Alpha) 的图像，OpenCV 同样提供 cv2.COLOR_BGRA2RGBA 等变换，可一并处理多通道图像，并可借助 cv2.split/cv2.merge 做更灵活的透明度叠加。

import cv2
import matplotlib.pyplot as plt

# 1) 使用 OpenCV 读取图像（默认为 BGR 格式）
img_bgr = cv2.imread('1.jpeg')  # cv2.imread 默认读取 BGR 图像

# 2) 使用 OpenCV 显示（正常显示 BGR）
# cv2.imshow('OpenCV BGR Display', img_bgr)
# cv2.waitKey(0)
# cv2.destroyAllWindows()             # cv2.imshow 用于显示 BGR 图像

# 3) 直接用 Matplotlib 显示（通道顺序不转换，会看到色彩错位）
plt.subplot(1,2,1)
plt.title('Matplotlib without Conversion')
plt.imshow(img_bgr)                # plt.imshow 默认以 RGB 通道渲染, 直接显示 BGR 数组会出现蓝红通道颠倒
plt.axis('off')
# 4) 转换 BGR -> RGB
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)  # 高效通道重排，无数据拷贝

# 5) 再次用 Matplotlib 显示（正确颜色）
plt.subplot(1,2,2)
plt.title('Matplotlib after cvtColor')
plt.imshow(img_rgb)
plt.axis('off')
plt.show()

关键函数解析：

• cv2.imread(path)：读取图像到 NumPy 数组，默认按 BGR 通道顺序加载
• plt.imshow(image)：用 Matplotlib 渲染图像时，默认将数组视为 RGB 格式；若输入 BGR 数组，将出现蓝红通道颠倒的现象
• cv2.cvtColor(src, code)：执行高效的色彩空间转换，通过 NumPy 视图操作避免额外拷贝

2. HSV / Lab 色彩空间

HSV (Hue, Saturation, Value) 将色相、饱和度与明度解耦，最早受人类视觉模型启发，色相环 (0°–360°) 对应常见彩虹色谱，可直观地对单一色调进行阈值分割，尤其适合实时目标跟踪与交互式调色面板。通过 HSV 分割可稳定提取同一物体在光照变化下的轮廓，例如自动化装配线中对特定色标的检测。
CIELAB (Lab) 旨在实现感知均匀性，将明度 L* 与对立色轴 a* (绿—红)、b* (蓝—黄)分离，极大地简化了色差计算，在印刷质量控制与医学影像配色校正中具有极大优势。
在色彩校正流水线中，通常先将图像从 BGR 转换到 Lab，然后对 L* 进行均衡化或 Gamma 校正，再重投影到 BGR，以兼顾视觉亮度和色彩准确度。
OpenCV 提供了 cv2.COLOR_BGR2HSV、cv2.COLOR_BGR2Lab 等转换方式，还支持将 HSV、Lab 与 YCrCb 等多空间联合使用，满足不同任务的色彩分离需求。
接下来，使用交互式滑动条，使得 HSV 阈值可在运行时实时调整，适应多变光照环境。同时演示在 Lab 空间中对 L* 通道应用自适应直方图均衡化，可以在局部区域内提升对比度并抑制噪点 。最后，将原图、HSV 分割结果与 Lab 增强结果并排展示，便于直观对比三者在不同场景下的效果差异：

import cv2
import numpy as np

def nothing(x):
    pass

# 读取原始图像
img = cv2.imread('1.jpeg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)  # BGR -> HSV

# 创建滑动条窗口
cv2.namedWindow('HSV 调参')
for name, init in zip(
    ['H_min','H_max','S_min','S_max','V_min','V_max'],
    [0, 179, 0, 255, 0, 255]
):
    max_val = 179 if 'H' in name else 255
    cv2.createTrackbar(name, 'HSV 调参', init, max_val, nothing)  # 创建滑动条

# Lab CLAHE 对象
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))  # CLAHE 对比度限制

while True:
    # 获取滑动条数值
    h_min = cv2.getTrackbarPos('H_min', 'HSV 调参')
    h_max = cv2.getTrackbarPos('H_max', 'HSV 调参')
    s_min = cv2.getTrackbarPos('S_min', 'HSV 调参')
    s_max = cv2.getTrackbarPos('S_max', 'HSV 调参')
    v_min = cv2.getTrackbarPos('V_min', 'HSV 调参')
    v_max = cv2.getTrackbarPos('V_max', 'HSV 调参')
    lower = np.array([h_min, s_min, v_min])
    upper = np.array([h_max, s_max, v_max])

    # HSV 分割
    mask = cv2.inRange(hsv, lower, upper)       # 生成二值掩膜
    res_hsv = cv2.bitwise_and(img, img, mask=mask)  # 掩膜与原图叠加

    # Lab 空间 CLAHE 增强
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2Lab)  # BGR -> Lab
    l, a, b = cv2.split(lab)                    # 通道分离
    l_eq = clahe.apply(l)                       # 对 L* 通道应用
    lab_eq = cv2.merge([l_eq, a, b])            # 通道合并
    res_lab = cv2.cvtColor(lab_eq, cv2.COLOR_Lab2BGR)  # Lab -> BGR

    # 并排展示原图 / HSV 分割 / Lab 增强
    combined = np.hstack((img, res_hsv, res_lab))
    cv2.imshow('原图 | HSV 分割 | Lab CLAHE 增强', combined)  # 同一窗口对比

    # 按 Esc 键退出并保存结果
    if cv2.waitKey(1) & 0xFF == 27:
        # 保存各阶段结果
        cv2.imwrite('result_original.jpg', img)             # 保存原始图像
        cv2.imwrite('result_hsv_segmentation.png', res_hsv) # 保存 HSV 分割结果 
        cv2.imwrite('result_lab_clahe.jpg', res_lab)        # 保存 Lab CLAHE 增强结果
        cv2.imwrite('result_comparison.png', combined)      # 保存并排对比图
        break

cv2.destroyAllWindows()

关键代码解析：

• cv2.createTrackbar(name, win, val, max, callback)：在指定窗口中创建命名为 name 的滑动条，用于获取范围 [0,max] 内的整型数值，实时回调函数 callback 获取最新位置
• cv2.inRange(src, lowerb, upperb)：对每个像素的三通道值与阈值数组 lowerb / upperb 进行比较，符合条件的像素输出 255，否则输出 0，生成二值掩膜常用于快速颜色分割
• cv2.bitwise_and(src1, src2, mask)：对应像素做按位与操作，仅保留掩膜为 255 的区域，实现掩膜与原图的叠加
• cv2.cvtColor(src, code)：支持多种色彩空间转换，此处使用 cv2.COLOR_BGR2HSV 将 BGR 转为 HSV，以及 cv2.COLOR_BGR2Lab / cv2.COLOR_Lab2BGR 在 BGR 与 Lab 之间变换
• cv2.createCLAHE(clipLimit, tileGridSize) 和 clahe.apply(channel)：创建 CLAHE 对象并对单通道图像局部自适应均衡化，可避免全局均衡化导致的噪声过度放大。将均衡化后的 L* 通道与原 a、b 通道合并，可在提升局部对比度的同时保留色彩信息
• np.hstack(tup)：将多张形状相同的图像按水平方向拼接，用于同时展示多个处理结果，便于视觉对比

3. 颜色直方图分析与可视化

颜色直方图记录像素强度分布，是评估图像全局或局部对比度、亮度偏移及色彩偏差的基础工具，广泛应用于自动白平衡、阈值分割及风格迁移前的统计分析。在 Opencv 中 可以使用 cv2.calcHist 可对单通道或多通道图像分别计算直方图，并支持掩膜参数，只需将感兴趣区域的 mask 传入，即可实现局部区域的色彩分布可视化。
直方图均衡化 (cv2.equalizeHist) 与自适应均衡化 (CLAHE) 在灰度和 Lab L* 通道上效果显著，能动态拉伸分布至全量程，消除低对比度图像的暗部或高光溢出。也可以将直方图特征作为图像检索或机器学习模型的输入特征，实现基于颜色分布的图像检索、分类与风格识别。

import cv2
from matplotlib import pyplot as plt

img = cv2.imread('1.jpeg')

# 计算三个通道的直方图
colors = ('b', 'g', 'r')
for i, col in enumerate(colors):
    hist = cv2.calcHist([img], [i], None, [256], [0, 256])
    plt.plot(hist, label=f'{col.upper()} channel')

plt.title('Color Histogram')
plt.xlabel('Pixel Value')
plt.ylabel('Frequency')
plt.legend()
plt.show()

关键代码解析：

• cv2.calcHist(images, channels, mask, histSize, ranges)：计算直方图，channels 指定通道索引，mask 控制分析区域

小结

本文系统的介绍了三种色彩空间的核心概念与 OpenCV 中的实现细节，并通过完整示例演示了实战中如何应用转换、分割与可视化技术。

系列链接

OpenCV计算机视觉实战（1）——计算机视觉简介
OpenCV计算机视觉实战（2）——环境搭建与OpenCV简介
OpenCV计算机视觉实战（3）——计算机图像处理基础
OpenCV计算机视觉实战（4）——计算机视觉核心技术全解析
OpenCV计算机视觉实战（5）——图像基础操作全解析
OpenCV计算机视觉实战（6）——经典计算机视觉算法