5.4.2 视频帧处理：色彩、滤波与几何变换（Color, Filtering & Geometric Transform）
视频帧处理与 5.3 的分析同样互为镜像：5.3 的流水线逐帧读取、逐帧分析，而处理流水线逐帧读取、逐帧改写、逐帧写出。骨架不变，换的只是中间的 "帧函数"。这个帧函数里装的内容，几乎全部来自我们在第二章与第三章学过的知识。
色彩处理：回到 HSV
调整画面观感最常用的操作是改 饱和度（Saturation） 与 亮度（Value）。这两个量我们在 2.5.7 已经学过——它们是 颜色三要素 的直接分量。工程上的做法因此顺理成章：先把帧从 BGR 转到 HSV 空间，对 S、V 通道施加增益并截断到合法范围，再转回 BGR：
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV).astype(np.float32)
hsv[..., 1] = np.clip(hsv[..., 1] * 1.4, 0, 255) # 饱和度 x1.4
out = cv2.cvtColor(hsv.astype(np.uint8), cv2.COLOR_HSV2BGR)
为什么不在 RGB 空间里做？因为 RGB 三个通道耦合了亮度与色彩——直接对 R/G/B 同乘增益，改的是明度而非饱和度，画面会 "变亮" 而不是 "变艳"。把处理放在与 人类感知对齐的色彩空间 里做，是第二章色彩科学最直接的工程回报。
空域滤波：模糊与锐化是一对
3.2 节 的六种经典空域滤波，在帧处理中是最常用的画面加工手段。其中 高斯模糊（Gaussian Blur，3.2.1） 用作柔化降噪；而它的 "反面"——USM 锐化（Unsharp Masking）——则是增强细节的利器：
即 原图减去它的低通（模糊）版本，得到高频细节，再加权加回原图。这与 3.2.3 拉普拉斯滤波提取高频的思想一脉相承——拉普拉斯核本质上就是 "中心减邻域" 的差分，USM 不过是把差分结果用作增强而非检测。practice_6 中 cv2.addWeighted(out, 1 + α, blur, -α, 0) 一行即完成了这个组合。
几何变换（Geometric Transform）
缩放、旋转、平移、透视校正统称几何变换：它们不改变像素的颜色，只改变像素的 位置。数学上是坐标映射 $p' = M \cdot p$，工程上由 cv2.resize 与 cv2.warpAffine / cv2.warpPerspective 实现。需要注意的两个工程细节：插值方式（最近邻快但锯齿、双线性平滑、双三次更精细）与 反向映射（对每个目标像素反查源坐标，避免空洞）。本书不对几何变换展开实战，但批量加水印、画中画、全景拼接等应用都从这里起步。
逐帧处理的实时性预算
把帧函数放进循环之前，还有一笔工程账要算：实时处理的预算。30fps 的视频意味着每帧只有 33.3ms 的处理窗口。practice_6 的实测数据（见 5.4.3）显示，"饱和度 + 高斯模糊 + USM" 的组合在 640×360 分辨率上耗时 1.65ms/帧——预算的 5%。但若分辨率升到 4K（约 23 倍像素量），同一条链就可能逼近甚至突破预算。这就是为什么消费级实时滤镜最终都走向 GPU/专用硬件加速——而理解 CPU 上单帧的成本构成，是优化与选型的前提。
可见，视频帧处理是第二章色彩科学与第三章空域滤波的 "批量执行"：色彩在 HSV 里调，细节在模糊与锐化间增减，位置在几何映射中变换，而这一切都要塞进每帧 33 毫秒的预算里。
下一节，我们把音频与视频两条处理链组装成完整的批量处理工程，并用对比图验证每一步的效果。