本專欄代碼地址https://github.com/xiawei20161308104/xv_opencv_tutorials
本節(jié)代碼路徑xv_opencv_tutorials/ImageProcessinginOpenCV/changing_colorspaces.py
參考 圖像工程第4版，張毓晉，清華大學(xué)出版社

0.本節(jié)涉及的opencv新函數(shù)

顏色空間轉(zhuǎn)化函數(shù) cv.cvtColor()

1.彩色的形成

“Indeed rays,properly expressed,are not colored”——牛頓。

光線為不同頻率的電磁波，人的視覺能感受到光的刺激，并且將不同頻率的電磁波感知為不同顏色，所以，彩色僅存在于人的眼睛和大腦中，物理世界分布的是帶有不同輻射能量的光線。

2.彩色空間

彩色模型建立在彩色空間之上，彩色模型和彩色空間的概念不做分別。
根據(jù)原理可以分為4類，根據(jù)應(yīng)用可以分為2類

3.為什么需要選擇合適的彩色空間

人對彩色的感知與刺激視網(wǎng)膜的電磁輻射的譜能量分布，人的神經(jīng)心里學(xué)，人的生理行為等有關(guān)，感知彩色是一個很復(fù)雜的過程，應(yīng)用也存在多樣性。CIE定義了若干彩色模型，每個模型都只有特定的適用情況，
沒有一種通用模型滿足所有情況，由彩色原理和彩色應(yīng)用等去選擇合適的彩色模型能統(tǒng)一處理問題的維度。

4.如何選擇合適的彩色空間

了解自己的需求并尋找對應(yīng)特性的彩色空間。例如，RGB模型特別適合在圖像采集輸入和圖像輸出顯示等場合應(yīng)用，但與人類視覺感知有一定區(qū)別，就是當(dāng)我們看到一幅圖像的時候并不能感知到他的紅綠藍(lán)各有多少分量，這個時候HSV模型就比較適配，H代表色調(diào)，S代表飽和度，V代表強(qiáng)度，這樣建立的模型與人的感知高度適配。
在HSV模式下分析圖像，取到圖像的V值，并減小100個像素到v1，對比觀察，能發(fā)現(xiàn)，人眼就能明顯感知到亮度的變化。

def main():  
    # 讀取圖像  
    src = cv.imread("../imgs/opencv.png")  
    # 轉(zhuǎn)換HSV空間  
    hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)  
    # 分離通道  
    h, s, v = cv.split(hsv)  
    cv.namedWindow("v", cv.WINDOW_NORMAL)  
    cv.imshow("v", v)  
    # 減小亮度  
    v1 = v - 30  
    cv.namedWindow("v1", cv.WINDOW_NORMAL)  
    cv.imshow("v1", v1)  
  
    cv.waitKey(0)  
    cv.destroyAllWindows()

5.常用的彩色空間 RGB

（出自圖像工程第4版，張毓晉，清華大學(xué)出版社）

• 基于 人體錐細(xì)胞，為一種與人的視覺系統(tǒng)結(jié)構(gòu)密切相連的模型
• 視網(wǎng)膜中三種不同的感受彩色的錐細(xì)胞的波長響應(yīng)曲線SML與三原色RGB基本對應(yīng)
• RGB模型的建立在笛卡爾坐標(biāo)系統(tǒng)中
• 原點為黑色，離原點最遠(yuǎn)的頂點為白色，這兩點連線上為深淺不同的灰色

CMY

• 三色光兩兩疊加產(chǎn)生三補(bǔ)色CMY，C為藍(lán)綠（綠+藍(lán)），M為品紅（紅+藍(lán)），Y為黃（紅+綠）
• 一般用于出版社打印，圖像處理不常用

HSI

• HSI與人類感知相對應(yīng)，被稱為面向用戶的彩色模型
• 用色調(diào)（Hue）、色飽和度（Saturation）和亮度（Intensity）來描述色彩
• 獨立于顯示設(shè)備
• HSI的優(yōu)點：
  • 強(qiáng)度分量與圖像的彩色信息無關(guān)，是獨立的， 也就是強(qiáng)度/亮度分量的變換并不改變圖像的色調(diào)和飽和度。
  • H與S獨立并且適配人的感官，使得HSI模型非常適合基于人的視覺系統(tǒng)對彩色感知特性進(jìn)行處理分析的圖像算法。
• HSI的缺點：
  • 并不是均勻彩色空間模型——人所感覺到的兩點的色彩區(qū)別程度與色彩空間兩點的歐氏距離相對應(yīng)。

為了更直觀的感受HSI彩色模型對人類感官的適配，代碼拆分了同一幅圖的RGB分量和HSV分量。

顏色越深則該分量值的占比越大?？梢钥闯?，HSI的三幅圖看起來很不相同，表示，人眼能感覺到的HSI三個分量的區(qū)別要比RGB三個分量的區(qū)別要大。

L*a*b*

• 從人的直觀感受來看，彩色模型對彩色的描述應(yīng)該與人對彩色的感知越同步越好，L\*a\*b\*是一個均勻彩色空間，即，人所感覺到的兩點的色彩區(qū)別程度與此空間中兩點的歐氏距離相對應(yīng)
• 也是一個面向人類視覺的彩色空間，與設(shè)備無關(guān)，適合接近自然光照明的應(yīng)用場合

6.變換彩色空間數(shù)學(xué)公式

每個工具包工具定義的分量范圍不同，像色調(diào)H可以是0-180也可以是0-360，在數(shù)學(xué)上，可以互相轉(zhuǎn)換。所以opencv在處理時，對于8位和16位圖像，R、 G 和 B 被轉(zhuǎn)換為浮點格式，并按比例縮放歸一化到0-1。
部分轉(zhuǎn)換公式如下：

• RGB2Gray

• RGB2CIE XYZ

• RGB2HSV

7.opencv變換彩色空間代碼+注釋+效果

opencv的cvtColor函數(shù)實現(xiàn)色彩空間的轉(zhuǎn)換，提供了150種顏色空間的轉(zhuǎn)換方式,只需要在cvtColor函數(shù)的flag位填寫對應(yīng)的轉(zhuǎn)換標(biāo)識即可。轉(zhuǎn)換標(biāo)識獲取如下。

import cv2 as cv  
flags = [i for i in dir(cv) if i.startswith('COLOR_')]  
#這里會輸出150種flag，他們是opencv定義的彩色空間轉(zhuǎn)換flag，是cv.cvtColor(input_image, flag)的第二個參數(shù)值。
print( flags )

可以自己通過上面的代碼獲取，或者直接查詢官方文檔

這里介紹兩種轉(zhuǎn)換代碼和效果案例，分別是BGR2Gray和BGR2HSV(opencv中沒提供HSI,但這兩個彩色空間差不多

#BGR2Gray
import cv2 as cv  
def main():   
	src = cv.imread("../imgs/opencv.png")
    cv.namedWindow("input", cv.WINDOW_AUTOSIZE)  
    cv.imshow("input", src)  
    gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)  
    cv.imwrite('gray.png', gray)  
    cv.imshow("gray", gray)  
    cv.waitKey(0)  
    cv.destroyAllWindows()  
if __name__ == "__main__":  
    main()

def main():  
    src = cv.imread("../imgs/opencv.png")  
    cv.namedWindow("input", cv.WINDOW_AUTOSIZE)  
    cv.imshow("input", src)  
  
    hsv = cv.cvtColor(src, cv.COLOR_BGR2HSV)  
    cv.imwrite('hsv.png', hsv)  
    cv.imshow("hsv", hsv)  
    # 分離通道  
    h, s, v = cv.split(hsv)  
    cv.namedWindow("h", cv.WINDOW_NORMAL)  
    cv.imshow("h", h)  
    cv.namedWindow("s", cv.WINDOW_NORMAL)  
    cv.imshow("s", s)  
    cv.namedWindow("v", cv.WINDOW_NORMAL)  
    cv.imshow("v", v)  
  
    cv.waitKey(0)  
    cv.destroyAllWindows()  

if __name__ == "__main__":  
    main()

到此這篇關(guān)于opencv+圖像處理(Image Processing in OpenCV) 4-0改變顏色空間的文章就介紹到這了,更多相關(guān)opencv圖像處理改變顏色空間內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論