前言

        opencv默认使用BGR格式读取图像，随着图像技术的发展，不同的专业领域使用了不同的颜色空间，为了适配及简化转换过程，opencv提供了很多颜色空间转换的方法。

        本文内容主要来自AI，整理了与颜色空间相关的知识点，同时篇尾提供一个QT开发的调色板工具，资源中可下载源码。

历史

颜色空间	擅长领域	趣闻
XYZ	颜色科学基础	1931年制定，当时的实验者看了几百万个颜色！
RGB/BGR	显示、存储	OpenCV用BGR是因为20年前某相机厂家用这个顺序，就一直沿用
HSV/HSL	颜色选择、分割	Photoshop的颜色选择器就用HSV，因为人类更易理解
Lab	颜色测量、匹配	CIE L*a*b*中的星号其实有数学意义，但大家都不写，简写为Lab
YUV/YCrCb	视频压缩、传输	为什么叫YUV？Y=亮度，U和V没有实际意义，只是字母

颜色空间

XYZ颜色空间

        是一种基于人眼颜色匹配实验定义的色彩空间，是许多其他颜色空间的基础，它是人为定义的虚拟颜色，现实中不存在，但能精确描述所有可见颜色。XYZ通过虚拟基色解决了RGB混合时可能出现的负值问题，颜色匹配更稳定。

特点

• 设备无关性：不依赖于任何具体显示设备或输入设备。
• 包含所有人眼可见颜色：其色域覆盖了人类视觉所能感知的所有颜色（即“可见光谱轨迹”内的所有颜色）。
• 三刺激值（Tristimulus Values）：X、Y、Z 分别代表红、绿、蓝三种原色的加权响应，其中 Y 通道直接对应亮度（Luminance），a、b通道表示色度。
• 可转换性：可作为中间桥梁，与其他颜色空间（如 RGB、Lab、Luv 等）相互转换。

应用场景

1. 颜色科学与标准制定

• 用于定义和量化颜色的标准（如 CIE 标准光源、标准观察者）。
• 是制定其他颜色空间（如 CIELAB、CIELUV）的基础。

2. 色彩管理与校准

• 在 ICC 色彩配置文件中，常以 XYZ 作为 Profile Connection Space（PCS），实现不同设备间的颜色一致性转换。
• 例如：从相机 RAW 数据 → XYZ → 显示器 sRGB。
• 例如：CD色域测试、相机白平衡算法设计。

3. 图像处理与计算机视觉

• 在需要精确颜色计算的场合（如白平衡、色温校正、颜色恒常性算法）中，先将 RGB 转换为 XYZ 再进行处理。
• 用于光谱数据重建或颜色匹配计算。

4. 照明与显示工业

• 用于 LED、显示器、投影仪等设备的色度参数标定（如色坐标 x, y = X/(X+Y+Z), Y/(X+Y+Z)）。
• 计算相关色温（CCT）、显色指数（CRI）等指标时，通常以 XYZ 为基础。

5. 印刷与纺织行业

• 在配色系统中，通过 XYZ 值预测油墨/染料混合后的颜色效果。
• 实现跨媒介（屏幕 vs 纸张）的颜色一致性。

6. 科研与教育

• 作为色度学教学的核心模型，帮助理解人眼视觉响应与颜色感知机制。
• 用于心理物理学实验中的颜色刺激量化。

RGB/BGR颜色空间

        在 OpenCV 诞生的年代（1990s–2000s 初），许多视频采集设备（如摄像头、电视卡）和图像格式（尤其是 Windows 平台上的）默认使用 BGR 或 BGRA 排列。

        RGB 空间的“红、绿、蓝”，即是常见的（真实）三基色，即每种颜色都可以通过三基色形成，但是有些可见颜色无法仅用这三种正系数混合出来，必须引入“负值”，目前使用[0,256]区域的三基色是有缺陷的。

        早期彩色显示器（如 CRT）就是通过红、绿、蓝三种荧光粉发光混合出各种颜色的。RGB 直接对应硬件的发光机制，是最自然的驱动方式，即RGB是当时社会生产环境图像设备的对接技术，而且当时没有复杂的色彩科学模型，所以RGB是当前使用最广泛的技术。

        在数字图像和OpenCV中，主要处理的是加色模型的RGB系统。opencv的cv::imread()默认使用BGR格式读取图像，而cv::imwirte()在保存图像时会根据所保存的图像格式自动处理颜色通道的顺序。对于最常用的图像格式（如 JPEG、PNG），尽管 OpenCV 内部使用 BGR 格式来表示图像数据，cv::imwrite() 在保存这些图像时会将 BGR 格式的图像转换为通常的标准格式，即 RGB，再进行保存。

特点

1、模型

• 加色混合： 适用于发光体（如显示器、灯光）。将不同强度的红、绿、蓝三种色光相加混合，可以产生出自然界中绝大多数人眼可见的颜色。

  • R + G = 黄

  • R + B = 品红

  • G + B = 青

  • R + G + B = 白

  • 三者均为0 = 黑

• 减色混合： 适用于反光体（如印刷、颜料）。这是通过吸收（减去）白光中的某些颜色成分来呈现色彩。通常使用青、品红、黄作为三原色，再加上黑色构成印刷四色。

2、设备相关性        

• RGB 值本身不具有绝对颜色意义，同一组 (R,G,B) 在不同显示器上可能呈现不同颜色。
• 因为它依赖于设备的色域（如 sRGB、Adobe RGB 等标准）

3、颜色与亮度耦合

• RGB是Red, Green, Blue的缩写，即3个通道都是包含色彩的，亮度信息和颜色信息耦合在一起，（物体颜色不变的情况下）光照的变化会同时影响3个通道值的变化。

4、数据结构简单直观

• 每个像素用 3 个数值表示（通常 8-bit，范围 0–255）。
• 在内存中连续存储，便于快速访问和计算。

应用场景

1. 图像采集与显示

• 摄像头、扫描仪、手机相机等设备直接输出 RGB（或 Bayer 格式转 RGB）。
• 显示器、LED 屏、投影仪等硬件直接接收 RGB 信号驱动像素。
• ➤ 原因：RGB 与光电传感器和发光器件的物理特性天然匹配。

2. 通用图像存储与传输

• 常见图像格式（JPEG、PNG、BMP）默认以 RGB（或 BGR）方式存储像素数据。
• Web 图像（HTML/CSS 中的 rgb(255,0,0)）也基于 RGB。

3. 基础图像处理操作

• 在 OpenCV 中，很多函数默认处理 BGR/RGB 图像：
  • 图像裁剪、缩放、旋转
  • 像素级运算（加法、混合、滤波）
  • 绘图（画线、矩形、文字）

4.深度学习与 CNN 输入

• 大多数卷积神经网络（如 ResNet、YOLO）将输入图像标准化为 RGB 三通道张量（H×W×3）。
• 数据集（ImageNet、COCO）均以 RGB 格式提供。

5. 不适合但常被误用的场景

场景	问题	更优选择
颜色分割（如找红色物体）	光照变化导致 R 值波动大	HSV / LAB
图像压缩（如 JPEG）	RGB 冗余高，人眼对亮度更敏感	YCbCr
色彩增强或调色	调整 R/G/B 会同时改变色相和亮度	HSV / HSL

不要盲目在 RGB 空间做颜色阈值：先考虑转到 HSV 或 LAB。

RGB 是“起点”，不是“终点”：大多数高级任务需要转换颜色空间。

HSV / HSL颜色空间

        这是亮度信息和颜色信息解耦的颜色空间，为了解决RGB的缺点而设计，更符合人类对颜色的感知。

缩写	全称	中文含义
HSV	Hue, Saturation, Value	色调、饱和度、明度（或“亮度”）
HSL	Hue, Saturation, Lightness	色调、饱和度、亮度（或“明暗度”）

• H： 色相。颜色的基本属性（红、橙、黄、绿…）。范围通常是 [0, 180)（在OpenCV中为了适应8位存储，通常用0-180表示0-360度）。

• S： 饱和度。颜色的纯度/鲜艳程度。0%为灰色，100%为完全饱和。

• V： 明度。颜色的明亮程度。0%为黑，100%为最亮。

• L： 亮度。与V类似，但计算方式不同。HSL中的L=50%时颜色最纯。

分量	理论范围	OpenCV (8-bit) 范围	说明
H (Hue)	0 – 360°	0 – 179	除以 2，避免溢出 uint8（255）
S (Saturation)	0 – 1	0 – 255	0=无色，255=最饱和
V (Value)	0 – 1	0 – 255	0=黑，255=最亮
L (Lightness)	0 – 1	0 – 255	（HSL 在 OpenCV 中支持有限，见下文）

OpenCV 主要支持 HSV，对 HSL 支持较弱！cv2.cvtColor() 有 COLOR_BGR2HSV，但没有直接的 BGR2HSL（需通过其他库如 PIL 或手动转换）。

特点及应用场景

• 亮度与颜色分离：非常适合基于颜色的图像分割、滤镜、颜色识别、目标检测（如交通灯、水果识别）、图像增强等。

YCrCb(YUV)颜色空间

        另一种将亮度与颜色信息分离的模型，广泛应用于电视系统和视频压缩。

• Y： 亮度分量。也就是灰度图。

• Cr： 红色差分量，Red-difference chroma（红差色度），表示红色与亮度的偏差。

• Cb： 蓝色差分量，Blue-difference chroma（蓝差色度），表示蓝色与亮度的偏差。

历史

• YUV：最初用于模拟电视广播（如 PAL/NTSC），U/V 是连续信号。
• YCbCr：数字版本，用于 JPEG、MPEG、H.264 等数字图像/视频标准。
• 在 OpenCV 和大多数现代文献中，“YUV” 常被用作 YCbCr 的代称，但严格来说它们略有不同。

特点

1. 人眼对亮度比色度更敏感

• 人眼能清晰分辨亮度细节（如边缘、纹理），但对颜色细节不敏感。
• 例如：你可以看清黑白照片的细节，但若颜色模糊一点，几乎察觉不到。

2. 节省带宽 / 压缩效率高

• 既然人眼“不在乎”色度细节，就可以降低 Cb/Cr 的分辨率（称为 色度子采样，Chroma Subsampling）。
• 常见格式：
  • 4:4:4：无子采样（Y, Cb, Cr 同分辨率）
  • 4:2:2：水平方向色度减半（专业视频）
  • 4:2:0：水平和垂直都减半（JPEG、H.264、YouTube 视频）

💡 举例：一张 1920×1080 图像：

• RGB 需要 3 × 1920 × 1080 ≈ 6.2 MB
• YCbCr 4:2:0 只需 1.5 × 1920 × 1080 ≈ 3.1 MB（节省 50%！）

3. 兼容黑白电视

• 老式黑白电视只需接收 Y 分量 即可显示图像，彩色电视再额外接收 Cb/Cr。
• 这使得彩色信号能向后兼容。

应用场景

1. JPEG 图像压缩

• JPEG 将 RGB 转为 YCbCr，对 Cb/Cr 进行 4:2:0 子采样，再做 DCT 变换。
• 这是 JPEG 能高压缩比而不明显失真的关键！

2. 视频编码（H.264 / HEVC）

• 所有主流视频编码标准都基于 YCbCr。
• 通过降低色度分辨率大幅减少数据量。

3. 肤色/人脸检测

• 皮肤在 Cb-Cr 平面上聚集在一个椭圆区域内。
• 可快速排除非皮肤区域，提升检测效率。

4. 图像增强

• 只增强 Y 通道（锐化、对比度），不影响颜色。
• 或只调整 Cb/Cr 实现“白平衡”校正。

注意事项

1. 不要混淆 YUV 和 YCbCr：在数字图像中，基本都是 YCbCr。
2. OpenCV 的 YUV 就是 YCbCr：放心使用 cv2.COLOR_BGR2YUV。
3. Y ≠ 灰度图：虽然相似，但灰度图常用 0.299R + 0.587G + 0.114B，而 Y 通道可能经过偏移（如 +16）。
4. 色度子采样在 OpenCV 中不自动进行：你需要手动下采样 Cb/Cr（如用 cv2.resize）。

Lab颜色空间

        CIELAB（通常简称为 Lab）颜色空间 是目前最接近人类视觉感知均匀性的颜色模型之一，广泛应用于高端图像处理、色彩管理、工业检测和科学研究中。

分量	含义	取值范围（理论）	OpenCV 中的实际范围
L***	亮度（Lightness）	0（黑） → 100（白）	0–100（float32）或 0–255（uint8，需注意转换）
a***	红-绿轴	-128（绿） → +127（红）	-128 到 +127（常偏移为 0–255 存储）
b***	黄-蓝轴	-128（蓝） → +127（黄）	-128 到 +127（同上）

• L 与 YCbCr 的 Y 类似，但经过非线性变换，更符合人眼对亮度的对数响应。
• a 和 b 是“对立色”通道（opponent colors），源于人类视网膜的神经机制。

特点

优势	说明
感知均匀	ΔE（色差）可量化“看起来多不同”
设备无关	不依赖显示器色域
亮度/色度完全解耦	L 与 a/b 正交，互不影响
色域广	覆盖几乎所有可见色

局限

局限	说明
计算复杂	需要非线性变换，比 HSV/YCbCr 慢
OpenCV 存储不标准	uint8 导致精度损失
不适合显示/存储	显示器仍需转回 RGB
初学者难调参	a/b 范围不直观

应用场景

1. 颜色差异计算（ΔE）

工业中常用 CIE76 色差公式：

ΔE=(L1−L2)2+(a1−a2)2+(b1−b2)2ΔE=(L1​−L2​)2+(a1​−a2​)2+(b1​−b2​)2​

• ΔE < 1：人眼几乎无法分辨
• ΔE > 2.3：普通观察者可察觉
• ΔE > 5：明显不同

应用：印刷品质检、纺织品配色、食品新鲜度检测（如苹果变褐）

2. 白平衡（Gray World Assumption）

假设图像平均色应为灰色（a=0, b=0）：

avg_a = np.mean(lab[:, :, 1])
avg_b = np.mean(lab[:, :, 2])
lab[:, :, 1] = lab[:, :, 1] - avg_a + 128  # 调整到中性
lab[:, :, 2] = lab[:, :, 2] - avg_b + 128

3. 高级图像增强

• 只调整 L 通道：提升细节而不改变颜色
• 在 a/b 通道做滤波：去除色噪

4. 医学/遥感图像分析

因 Lab 对光照变化鲁棒，适合分析组织颜色、植被健康等。

注意事项

1. 优先在 Lab 空间做亮度增强（如 CLAHE），避免颜色失真。
2. 不要直接用 Lab 做颜色阈值分割（不如 HSV 直观），但可用于精细色差判断。
3. 若需高精度 Lab，考虑使用 skimage.color.rgb2lab（基于 float64，符合标准）。
4. 记住：Lab 是“分析用”，不是“显示用” —— 最终还是要转回 RGB 显示。

以上结果颜色空间对比

特性	RGB	HSV / HSL	YCbCr (YUV)	Lab	XYZ
设备相关	✅ 是 （依赖色域）	✅ 是 (基于RGB)	✅ 是（基于 RGB）	❌ 否（设备无关）	❌ 否（绝对标准）
亮度独立	❌ 耦合	✅ （V/L 独立）	✅✅ （Y 完全独立）	✅✅（L 正交）	⚠️ 部分（Y≈亮度）
感知均匀	❌ 差	❌ 中等	❌ 差	✅✅✅ 优秀	❌ 差（非均匀）
包含所有可见色	❌（受限于色域）	❌	❌	✅（几乎全部）	✅✅ （完整可见光谱）
OpenCV 直接支持	✅✅	✅（HSV）	✅（YUV）	✅（LAB）	❌（需手动或用其他库）
应用场景	显示、存储、CNN 输入	颜色分割、UI 调色	JPEG、视频编码、肤色检测	色差计算、白平衡、高端增强	颜色科学、设备校准、ICC 配置文件
数学性质	线性 （但含伽马）	非线性 （圆柱/锥）	线性变换	高度非线性 （立方根）	线性 （三刺激值）
通道含义	R/G/B 原色光	色调/饱和度/明度	亮度 + 蓝差/红差	亮度 + 对立色轴	X/Y/Z 三刺激值 (无直接物理意义)

调色板

效果图