opencv 图片颜色识别与替换

vv_501

于 2025-04-29 15:20:41 发布

阅读量944

点赞数 24

分类专栏： opencv 文章标签： opencv 人工智能计算机视觉

本文链接：https://blog.csdn.net/2301_76654710/article/details/147538325

版权

opencv 专栏收录该内容

4 篇文章

订阅专栏

4、制作掩膜（cv2.inRange(参数1.参数2，参数3)）

5、应用掩膜（cv2.bitwise_and(参数1,参数2,参数3)）

6、图片颜色替换

———————————————————————————————————————————

1、RGB颜色空间

在图像处理中，最常见的就是RGB颜色空间。RGB颜色空间是我们接触最多的颜色空间，是一种用于表示和显示彩色图像的一种颜色模型，R代表红色（Red），G代表绿色（Green），B代表蓝色（Blue），这三种颜色通过不同强度的光的组合来创建其他颜色，广泛应用于我们的生活中，比如电视、电脑显示屏等。

RGB颜色模型基于笛卡尔坐标系，如下图所示，原色值位于3个角上，二次色青色、红色和黄色位于另外三个角上，黑色位于原点处，白色位于离原点最远的角上。因为黑色在RGB三通道中表现为（0，0，0），所以映射到这里就是原点；而白色是（255，255，255），所以映射到这里就是三个坐标为最大值的点。

这里解释一下，彩色图是三通道图像，即每个像素点包含三个值，可以想象成一个像素点就是一个小盒子，里面叠放了三张不同颜色的玻璃纸，最终所折射出来的颜色就是该像素点的颜色，所以彩色图的每个像素点的颜色是由三个数值共同定义的（本人之前对这里有点疑惑所以整理笔记的时候还是顺带写一下）

但是注意：在opencv中，颜色是以BGR的形式存储的，即纯红色的像素值应该是（0，0，255）

2、颜色加法

就是两幅图或多幅图的颜色通道叠加，有多种方式，比如普通加法、加权加法、通道分离等，这里只介绍前两种。

2.1 普通加法（饱和与模运算）

有两种方法：

1、利用 opencv中的 cv2.add(参数1，参数2) 进行饱和加法，参数直接填图像或数组名

饱和加法会将运算后超过255的值进行截断使其变为255。

代码示例如下：

数组展示：

def test1():
    '''普通加法-cv2.add()'''
    img1 = np.array([[1,2,3],
                     [40,50,60]],dtype = np.uint8)
    img2 = np.array([[100,200,30],
                     [240,150,66]],dtype = np.uint8)
    img3 = cv2.add(img1,img2)
    print(img3)
    # [[101 202  33]
    # [255 200 126]]

可以看到img3的打印结果中第二行第一列的值本来是 40+240=280，但是被截断成了255。

图像展示：（注意相加的两个图像尺寸要一致）

def test2():
    '''普通加法-cv2.add() 图像展示'''
    img1=cv2.imread("./src/cao.png")
    img2 = cv2.imread("./src/pig.png")
    img3 = cv2.add(img1,img2)
    cv2.imshow("img1",img1)
    cv2.imshow("img2",img2)
    cv2.imshow("img3",img3)
    cv2.waitKey(0)

运行结果：

就是两个图像叠加在一起

2、利用numpy库里的 np.add(参数1，参数2) ，参数同样直接填图像或数组名，或者直接用“+”进行模运算

模运算会将超过255的值与256相除然后取余。（因为 unit8 的范围是 0-255，共256个值），这种运算方式会导致亮区域变暗。

代码示例如下:

数组展示：

def test3():
    '''普通加法-numpy 数组展示'''
    img1 = np.array([[1,2,3],
                     [40,50,60]],dtype = np.uint8)
    img2 = np.array([[100,200,30],
                     [240,250,66]],dtype = np.uint8)
    img3 = np.add(img1,img2)
    print(img3)
    # [[101 202  33]
    #  [ 24 44 126]]

可以看到img3的打印结果中第二行第一列的值本来是 40+240=280，与256经过模运算后变为24，同理旁边那个值本来应该是300，与256经过模运算后变为44。

图像展示：

def test4():
    '''普通加法-np.add() 图像展示'''
    img1=cv2.imread("./src/cao.png")
    img2 = cv2.imread("./src/pig.png")
    img3 = np.add(img1,img2)
    cv2.imshow("img1",img1)
    cv2.imshow("img2",img2)
    cv2.imshow("img3",img3)
    cv2.waitKey(0)

运行结果：

可以看到效果挺奇特的，所以一般不会采用这种方法去叠加图像。

2.2 加权加法

与普通加法的区别在于两张图像的权重不同，这就会给人一种混合或者透明的感觉，API为 cv2.addWeighted(图像1，a，图像2，b，y)，这里的a和b分别是两张图像各自的权重，不一定加起来要为1，最终结果会按公式 dst = a⋅img1 + b⋅img2 + y 计算并自动处理溢出，这里只介绍权重和=1的标准混合。

代码展示：

def test5():
    '''加权加法'''
    img1 = cv2.imread("./src/cao.png")
    img2 = cv2.imread("./src/pig.png")
    img3 = cv2.addWeighted(img1,0.6,img2,0.4,0)

    cv2.imshow("img1",img1)
    cv2.imshow("img2",img2)
    cv2.imshow("img3",img3)
    cv2.waitKey(0)

运行结果：

效果比之前好了很多，可以继续调整权重以达到更好的效果。

3、HSV颜色空间

HSV颜色空间指的是HSV颜色模型，这是一种与RGB颜色模型并列的颜色空间表示法。RGB颜色模型使用红、绿、蓝三原色的强度来表示颜色，是一种加色法模型，即颜色的混合是添加三原色的强度。而HSV颜色空间使用色调（Hue）、饱和度（Saturation）和亮度（Value）三个参数来表示颜色，色调H表示颜色的种类，如红色、绿色、蓝色等；饱和度表示颜色的纯度或强度，如红色越纯，饱和度就越高；亮度表示颜色的明暗程度，如黑色比白色亮度低。

HSV颜色模型是一种六角锥体模型，如下图所示：

用更直观的话来说，

H 决定“是什么颜色”（如红色还是蓝色）。
S 决定“有多浓”（如深红还是浅红）。
V 决定“有多亮”（如亮红还是暗红）。

然后hsv颜色空间有一张基本分量图用来表示颜色，当然这是通过实验计算出的模糊范围（此处把部分红色归为了紫色）：

至于为什么有了RGB颜色空间还需要HSV，可以理解为它在处理颜色识别以及颜色分割相关任务时更优秀，具体原因这里不详解，接下来介绍使用HSV颜色空间最多的操作：制作掩膜。

当然将RGB图像转换为HSV图像的方法如下：

img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

4、制作掩膜（cv2.inRange(参数1.参数2，参数3)）

掩膜（Mask）是一种在图像处理中常见的操作，它选择性地遮挡图像的某些部分，以实现特定任务的目标，通常是一个二值化图像，并且与原图像的大小相同，其中目标区域被设置为255（白色），而其他区域被设置为0（黑色），并且目标区域可以根据HSV的颜色范围进行修改。

通俗的话来说，就是拿一张与目标图像大小相同的纸，将要提取的目标颜色对应的区域变成白色，其余区域全都为黑色。 API中的参数分别为目标图像转为HSV颜色空间后的图像：img_hsv, 以及提取的目标颜色在HSV空间中的极值：color_low, color_high

使用示例如下，比如我想提取这张图像的紫色区域：

代码如下：

def test6():
    '''掩膜制作'''
    img1 = cv2.imread("./src/masktest.png")
    img1_hsv = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)#转成hsv空间

    #找出紫色在hsv空间中的范围
    color_low = np.array([125,43,46])
    color_high = np.array([155,255,255])

    img_mask = cv2.inRange(img1_hsv,color_low,color_high)#制作掩膜

    cv2.imshow("img1", img1)
    cv2.imshow("img_mask",img_mask)
    cv2.waitKey(0)

运行结果如下：

可以看到掩膜是制作成功了，但是我的目标是提取紫色区域，即新图像应该只有紫色，所以接下来还要进行一步操作就是：应用掩膜。

5、应用掩膜（cv2.bitwise_and(参数1,参数2,参数3)）

参数1=参数2=img（原图），参数3=img_mask（掩膜）

API是cv2.bitwise_and()，这个方法就像“图像界的魔法剪刀”，能按掩膜精准裁剪或组合图像，但是其中的原理有点复杂，我们一步一步来：

先复习一下按位与运算：将输入数值转化为二进制并进行逐位比较，有0为0，无0为1，例如

像素A: 150 → 二进制表示为 10010110
像素B: 200 → 二进制表示为 11001000
按位与运算结果：逐位比较 → 10000000（转化为十进制是128）

当然，A&A=A 是基本性质，因为每一位都和自己比较，保持不变。

再解释原理：参数1和参数2都是填原图，然后原图与原图进行按位与运算，当然结果是原图本身，参数3就是掩膜。至于为什么要让原图与原图进行按位与运算，是因为掩膜本身没有对原图进行任何操作的能力，它就像一张筛子只能通过控制原图与原图是否进行按位与运算，来决定结果图中哪些区域显示，哪些区域隐藏。在opencv内部就是：

mask=255 的地方：执行 img 和 img 的按位与运算（即保留原值）
mask=0 的地方：不执行，直接把输出像素置为0（黑色）

所以，不是掩膜本身去修改图像，而是在操作过程中干预了结果产生，是在原图与原图按位与计算过程中，控制哪些地方产生结果，哪些地方归零。

原理理解完之后就接着我们上一步的操作提取紫色区域吧，代码如下：

def test7():
    '''应用掩膜'''
    img1 = cv2.imread("./src/masktest.png")
    img1_hsv = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)#转成hsv空间

    #找出紫色在hsv空间中的范围
    color_low = np.array([125,43,46])
    color_high = np.array([155,255,255])

    img_mask = cv2.inRange(img1_hsv,color_low,color_high)#制作掩膜

    img_bit = cv2.bitwise_and(img1,img1,mask=img_mask)#应用掩膜

    cv2.imshow("img1", img1)
    cv2.imshow("img_bit", img_bit)
    cv2.waitKey(0)

运行结果：

可以看到，此时我们已经成功提取了紫色区域。

所以现在我们有了这个方法之后，就可以对抠出来的图像做进一步操作，比如常见的颜色替换。

6、图片颜色替换

为什么有了掩膜之后就可以对指定颜色区域进行颜色替换呢，是因为由于掩膜与原图的大小相同，并且像素位置一一对应，所以我们就得到了掩膜中白色（也就是像素值=255）区域，再将其进行赋值即可，比如我想将刚刚提取的紫色区域变成蓝色，就可以这样：

def test8():
    '''图片颜色替换'''
    img1 = cv2.imread("./src/masktest.png")
    img1_hsv = cv2.cvtColor(img1, cv2.COLOR_BGR2HSV)#转成hsv空间

    #找出紫色在hsv空间中的范围
    color_low = np.array([125,43,46])
    color_high = np.array([155,255,255])

    img_mask = cv2.inRange(img1_hsv,color_low,color_high)#制作掩膜

    img_change =  img1.copy() #复制原图，增加对比
    img_change[img_mask==255]=(255,0,0)#图片颜色改变，将紫色对应区域改成蓝色

    cv2.imshow("img1", img1)
    cv2.imshow("img_change", img_change)
    cv2.waitKey(0)

运行结果：