BGR 转 RGB#

1
import cv2
2
import matplotlib.pyplot as plt
3

4
img_bgr = cv2.imread("demo.jpg")
5
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)
6
plt.imshow(img_rgb)
7
plt.axis("off")

用 matplotlib 显示 OpenCV 图片时，基本都要先转 RGB。

转灰度#

1
gray = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY)
2
print(gray.shape)  # 只有高和宽，没有通道维度

边缘检测、阈值分割、轮廓检测前，经常会先转灰度。

HSV 的用途#

HSV 更适合按颜色范围做分割。比如提取某种颜色的区域时，直接在 RGB/BGR 上设阈值不如在 HSV 上稳定。

1
hsv = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV)
2
mask = cv2.inRange(hsv, (35, 50, 50), (85, 255, 255))

检查方式#

• 显示图像时确认肤色、天空、红绿区域是否正常。

• 打印 shape，确认灰度和彩色图维度不同。

• 保存中间结果，避免只看最终模型输出。

实战复盘#

复用《OpenCV 颜色空间转换》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《OpenCV 颜色空间转换》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

颜色空间错误不会让代码崩，但会让结果悄悄变差。读图、显示、训练之间要明确 BGR 和 RGB 的转换位置。