一、核心知识点详解

1. 图像的XY坐标体系

OpenCV中图像的坐标原点在左上角，这是和数学坐标系（原点在左下角）最核心的区别：

• 图像的尺寸表示为 (H, W)（高度Height，宽度Width），其中：
  • W 对应X轴（水平方向），取值范围 0 ~ W-1；
  • H 对应Y轴（垂直方向），取值范围 0 ~ H-1；
  • 例如坐标点 (10, 20) 表示：X=10（横向第11个像素）、Y=20（纵向第21个像素），对应图像的高为20、宽为10的位置（注意：图像shape返回的是 (H, W, C)，C为通道数）。

代码示例：

import cv2
import numpy as np

# 创建一个高20、宽10的黑色灰度图（单通道）
img = np.zeros((20, 10), dtype=np.uint8)
print("图像shape (H, W):", img.shape)  # 输出 (20, 10)

# 修改坐标(10, 20)？注意：X最大为9，Y最大为19，这里纠正为合法坐标(9, 19)
img[19, 9] = 255  # Y=19, X=9 处设为白色
print("坐标(9,19)的像素值:", img[19, 9])  # 输出 255

2. 像素值与灰度图

每个坐标点的像素值是图像的核心数据，核心规则：

• 单通道（灰度图）：像素值范围 0 ~ 255，0=纯黑（光强最弱），255=纯白（光强最强）；
• 像素平均值的意义：若整幅图像的像素平均值 < 100，说明图像整体过暗；若 > 230，说明整体过亮，均需调整相机参数或拍摄环境。

代码示例：

import cv2

# 读取灰度图
img_gray = cv2.imread("test.jpg", cv2.IMREAD_GRAYSCALE)
# 计算平均值
mean_val = cv2.mean(img_gray)[0]  # mean返回 (均值, 0, 0, 0)，取第一个值
print(f"图像平均值: {mean_val:.2f}")

# 判断是否过暗/过亮
if mean_val < 100:
    print("图像过暗，建议调整拍摄参数")
elif mean_val > 230:
    print("图像过亮，建议调整拍摄参数")
else:
    print("图像亮度正常")

3. 色彩空间

图像的色彩空间是像素值的“组织方式”，不同空间适用于不同场景：

色彩空间	通道组成	关键说明
BGR	蓝、绿、红	OpenCV默认读图格式（和常规RGB相反，需注意）
RGB	红、绿、蓝	PIL/Python Imaging Library的默认格式
Gray	灰度值	单通道，由BGR转换而来（公式：Gray = 0.299R + 0.587G + 0.114B）
HSV	色相(H)、饱和度(S)、明度(V)	分离色彩与亮度，适合颜色分割（如抠图）

HSV空间补充：

• H（色相）：范围 [0, 180)，对应实际0~360°（OpenCV压缩了一倍），例如：红色H≈0~10⁄170~180，绿色H≈40~70，蓝色H≈100~130；
• S（饱和度）：范围 [0, 255)，0=无色彩（灰度），255=纯色彩（无白色混入）；
• V（明度）：范围 [0, 255)，0=纯黑（无亮度），255=最亮（不影响色相/饱和度）。

代码示例（色彩空间转换）：

import cv2

# 读取图像（默认BGR）
img_bgr = cv2.imread("test.jpg")

# BGR转RGB（适配PIL）
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

# BGR转灰度图
img_gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)

# BGR转HSV
img_hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)

# 查看HSV某点的像素值
h, s, v = img_hsv[100, 100]  # Y=100, X=100处的HSV值
print(f"H: {h}, S: {s}, V: {v}")

4. 图像梯度

图像的梯度是两个相邻坐标点的像素值变化量

（1）核心定义

图像梯度本质是像素值在空间维度上的变化率（导数），反映像素值的“变化快慢”：

• 基础梯度：相邻像素的差值（如横向梯度=右侧像素-左侧像素，纵向梯度=下侧像素-上侧像素）；
• 梯度幅值：梯度的“大小”，代表像素值的变化程度（幅值越大，变化越剧烈）；
• 梯度方向：像素值变化最大的方向（而非简单的横向/纵向）。

（2）梯度与图像视觉效果的关联

• 梯度小：像素值变化微弱（如纯色区域、模糊背景），图像视觉上“平滑/模糊”，此时图像的标准差小（像素值集中在均值附近，离散程度低）；
• 梯度大：像素值突变（如物体边缘、文字边界、纹理细节），图像视觉上“清晰/有棱角”，此时标准差大（像素值离散）。

（3）OpenCV中常用的梯度计算方法

基础差值仅适用于理解，实际工程中用梯度算子（增强边缘检测效果）：

• Sobel算子：计算X（横向）/Y（纵向）方向的梯度，可过滤噪声；
• Scharr算子：比Sobel更精准（适合小尺寸图像）；
• Laplacian算子：计算二阶梯度，对边缘更敏感（易受噪声影响）。

代码示例（Sobel梯度检测）：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取灰度图
img_gray = cv2.imread("test.jpg", cv2.IMREAD_GRAYSCALE)

# 计算X方向梯度（横向边缘）
sobel_x = cv2.Sobel(img_gray, cv2.CV_64F, dx=1, dy=0, ksize=3)
sobel_x = cv2.convertScaleAbs(sobel_x)  # 转换为绝对值（避免负数丢失）

# 计算Y方向梯度（纵向边缘）
sobel_y = cv2.Sobel(img_gray, cv2.CV_64F, dx=0, dy=1, ksize=3)
sobel_y = cv2.convertScaleAbs(sobel_y)

# 合并梯度
sobel_xy = cv2.addWeighted(sobel_x, 0.5, sobel_y, 0.5, 0)

# 显示结果
plt.subplot(221), plt.imshow(img_gray, cmap='gray'), plt.title('原图')
plt.subplot(222), plt.imshow(sobel_x, cmap='gray'), plt.title('X方向梯度')
plt.subplot(223), plt.imshow(sobel_y, cmap='gray'), plt.title('Y方向梯度')
plt.subplot(224), plt.imshow(sobel_xy, cmap='gray'), plt.title('合并梯度')
plt.show()

（4）梯度的应用场景

• 边缘检测：利用梯度大的区域定位物体边缘（如轮廓提取）；
• 图像锐化：增强梯度值，提升图像细节（让模糊图像变清晰）；
• 模糊检测：计算整幅图像的梯度均值，若均值过小则判定为模糊；
• 运动检测：对比前后帧图像的梯度变化，识别运动区域。

总结

1. OpenCV图像坐标原点在左上角，尺寸表示为 (H, W)，像素值范围0~255（单通道），平均值可判断亮度是否正常；
2. OpenCV默认读取BGR格式，HSV空间因分离色彩与亮度，是颜色分割的首选；
3. 图像梯度是像素值的空间变化率，梯度小对应图像平滑/模糊（标准差小），梯度大对应边缘/细节（标准差大），常用Sobel算子计算。