OpenCV 颜色空间入门：从 BGR 到 HSV 的工程实践

在做视觉相关开发时，颜色空间几乎是绕不开的话题。

无论是做目标检测、颜色识别、缺陷检测，还是最简单的阈值分割，你都会很快发现：

选对颜色空间，比你调一百个参数都重要。

这篇文章我结合一段完整、可运行的 Python + OpenCV 示例代码，带你系统梳理：

• OpenCV 中常见的颜色空间

• 各种颜色空间之间的转换方法

• 通道分离与合并的直观理解

• 为什么HSV 是工程中最常用的颜色检测空间

整篇内容偏工程实践，适合刚入门视觉、或者正在做工业视觉/机器人项目的同学。

---

一、为什么 OpenCV 默认是 BGR？

很多人第一次用 OpenCV 都会有个疑问：

为什么我明明是红色，显示出来却不对？

原因很简单：

• OpenCV 默认使用的是 BGR 顺序

• 而我们日常接触最多的是 RGB

这并不是错误，而是 OpenCV 的历史设计选择。

所以在 OpenCV 中，任何颜色处理之前，你都要先搞清楚当前图像处于什么颜色空间。

---

二、构造一张示例图像（非常重要）

在学习颜色空间时，强烈建议你不要直接用真实图片，而是先用"可控的标准颜色"。

下面这段代码创建了一张 300 × 300 的示例图像，包含：

• 红、绿、蓝

• 黄、紫、青

• 黑、白、灰

这样你在观察转换结果时，不会被环境光、噪声干扰。

import cv2
import numpy as np




def create_sample_image():
img = np.zeros((300, 300, 3), dtype=np.uint8)


img[0:100, 0:100] = (0, 0, 255) # Red
img[0:100, 100:200] = (0, 255, 0) # Green
img[0:100, 200:300] = (255, 0, 0) # Blue


img[100:200, 0:100] = (0, 255, 255) # Yellow
img[100:200, 100:200] = (255, 0, 255)# Purple
img[100:200, 200:300] = (255, 255, 0)# Cyan


img[200:300, 0:100] = (255, 255, 255)# White
img[200:300, 100:200] = (128, 128, 128)# Gray
img[200:300, 200:300] = (0, 0, 0) # Black


return img

如图示

三、BGR 与 RGB 转换（最基础但最容易踩坑）

def bgr_to_rgb(img):

return cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

这个转换通常发生在：

• OpenCV → Matplotlib

• OpenCV → Web 前端

• OpenCV → 其他视觉库

记住一句话：

只要颜色不对，第一件事就是检查是不是 BGR / RGB 搞反了。

如图示：

---

四、BGR → 灰度（图像处理的起点）

def bgr_to_gray(img):
return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

灰度图在工程中非常常见：

• 边缘检测

• 二值化

• 形态学操作

• 模板匹配

很多复杂算法，第一步就是灰度化。

如图示：

五、BGR → HSV（工程中最常用）

def bgr_to_hsv(img):
return cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

HSV 把颜色拆成了：

• H（色相）：是什么颜色

• S（饱和度）：颜色有多纯

• V（亮度）：有多亮

这也是为什么在工业视觉里：

只要是做颜色检测，90% 的情况都在用 HSV。

---

六、Lab / YUV：更偏算法与显示

def bgr_to_lab(img):
return cv2.cvtColor(img, cv2.COLOR_BGR2Lab)




def bgr_to_yuv(img):
return cv2.cvtColor(img, cv2.COLOR_BGR2YUV)

简单说：

• Lab：更符合人眼感知，常用于颜色差异计算

• YUV：视频编码、亮度与色度分离

在入门阶段，了解即可，不是高频必用。

Lab如图示：

YUV如图示：

七、通道分离：真正理解"颜色"的结构

def split_channels(img):
channels = cv2.split(img)
colored_channels = []


for i in range(len(channels)):
channel_img = np.zeros_like(img)
channel_img[:, :, i] = channels[i]
colored_channels.append(channel_img)


return channels, colored_channels

通道分离非常重要，它能帮你理解：

• 每个通道在"贡献什么"

• 为什么某些颜色在某个通道特别明显

这是从"调参数"走向"理解算法"的关键一步。

通道分离后，我把他们的B,G,R三通道分别分离出来，如图示：

八、HSV 颜色检测（真正的工程应用）

def hsv_color_detection(img, lower_hsv, upper_hsv):
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv, lower_hsv, upper_hsv)
result = cv2.bitwise_and(img, img, mask=mask)
return mask, result

示例：检测红色区域

lower_red = np.array([0, 100, 100])
upper_red = np.array([10, 255, 255])

这一步你已经站在了：

• 工业颜色分选

• 视觉定位

• 机器人抓取前处理的门口。

九、完整运行结果

程序会自动生成以下文件：

• 原始示例图像

• 各种颜色空间转换结果

• 通道分离结果

• HSV 颜色检测掩码与效果图

非常建议你：

一张一张打开看，对比理解，而不是只跑代码。

十、写在最后

很多人一上来就想：

YOLO、SAM、深度学习

但在真实工程中你会发现：

• 颜色空间 + 阈值 + 形态学

• 已经能解决大量实际问题

把这些基础打牢，你后面做 ROS、机器人视觉、工业相机项目时，

会非常轻松。

下一篇如果你愿意，我们可以继续写：

• HSV 参数如何在真实工业现场标定

• OpenCV + 工业相机的完整处理流程

• 视觉结果如何喂给机械臂

一步一步来，才是工程的正确打开方式。