计算机视觉 / 系统课时
合并颜色通道
合并颜色通道
当 B、G、R 等单通道矩阵分别完成处理后,需要把它们重新组成可显示或继续计算的彩色图像。本节用 cv2.merge() 说明合并顺序、形状要求,以及 BGR 与 RGB 互换时最容易出现的颜色错位。
学习目标
- 使用
cv2.merge()将多个单通道矩阵合并为多通道图像 - 解释传入顺序如何决定输出图像的通道排列
- 识别尺寸、数据类型和颜色顺序不一致造成的问题
合并的本质
单通道图像的形状通常是 H × W,合并后会在最后增加通道维度,得到 H × W × C。cv2.merge() 不理解“红”“绿”“蓝”的语义,它只按传入顺序把第一个矩阵放到通道 0、第二个放到通道 1,依次类推。

因此,OpenCV 中常见的 BGR 图像应按 B, G, R 合并;如果后续库要求 RGB,则需要明确调整排列,而不能仅修改变量名。
用 cv2.merge 合并 BGR
下面用三个可预测的小矩阵演示合并,并同时验证 BGR 转 RGB 后的通道顺序。三个输入矩阵必须具有相同的高、宽和数据类型。
import cv2
import numpy as np
def main():
b = np.array([[10, 20, 30], [40, 50, 60]], dtype=np.uint8)
g = np.array([[70, 80, 90], [100, 110, 120]], dtype=np.uint8)
r = np.array([[130, 140, 150], [160, 170, 180]], dtype=np.uint8)
# OpenCV 默认彩色顺序是 BGR,传入顺序直接决定输出通道位置。
bgr = cv2.merge((b, g, r))
rgb = cv2.merge((r, g, b))
# 颜色空间转换应显式声明来源和目标,便于阅读与维护。
converted = cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB)
print("bgr.shape =", bgr.shape)
print("bgr[0, 0] =", bgr[0, 0].tolist())
print("rgb[0, 0] =", rgb[0, 0].tolist())
print("converted == rgb:", np.array_equal(converted, rgb))
if __name__ == "__main__":
main()预期输出
bgr.shape = (2, 3, 3)
bgr[0, 0] = [10, 70, 130]
rgb[0, 0] = [130, 70, 10]
converted == rgb: True这里 [10, 70, 130] 只是三个通道在同一像素位置上的数值组合。只有解释为 BGR 时,它才表示 B=10、G=70、R=130。
调整通道排列
OpenCV 的大多数彩色图像接口使用 BGR,而 Matplotlib、Pillow 和许多深度学习数据流程更常使用 RGB。跨库传递图像时,优先使用 cv2.cvtColor(bgr, cv2.COLOR_BGR2RGB),因为意图明确,也能避免后续维护者误判。
也可以用 bgr[..., ::-1] 反转最后一个维度,但这种切片可能产生负步长视图。若目标库要求连续内存,应再调用 .copy() 或 np.ascontiguousarray(),不要把“换通道”和“保证内存布局”混为一件事。
合并前的边界检查
cv2.merge() 要求各输入通道具有相同的空间尺寸和相同深度;例如不能直接把 uint8 的 B 通道与 float32 的 G 通道混合。合并也不会自动缩放数值、转换颜色空间或补齐缺失通道。
需要透明度时,可以按目标格式显式合并四个通道,例如 BGRA 使用 B, G, R, A。只要记住“输出通道顺序等于输入顺序”,就能在拆分、处理、重排和重新合并之间保持一致。